지식 그래프 (Knowledge Graph, 지식 그래프)

          근무한다                 위치한다
 [김철수] ─────────> [네이버] ─────────> [성남시]
    │                   │
    │ 졸업했다          │ 운영한다
    ▼                   ▼
 [서울대학교]        [네이버웹툰]

엔티티 ID       이름       유형(타입)
──────────      ──────     ─────────
company:apple   Apple      Company
fruit:apple     사과       Fruit
person:p001     김철수     Person

[김철수] {birthYear: 1990, job: "백엔드 개발자"}
   │
   │ WORKS_AT {since: 2019, role: "시니어"}
   ▼
[네이버] {founded: 1999, employees: ...}

주어 (Subject)    술어 (Predicate)    목적어 (Object)
──────────────    ────────────────    ───────────────
김철수            근무한다            네이버
네이버            위치한다            성남시
네이버            설립연도            1999
김철수            졸업했다            서울대학교

(김철수, 근무한다, 네이버)  ┐
(네이버, 위치한다, 성남시)  ├──> 김철수 → 네이버 → 성남시
                            ┘    "네이버"가 접점

persons                 employments                     companies
┌────┬────────┐         ┌──────────┬──────────┬───────┐  ┌────┬────────┬─────────┐
│ id │ name   │         │person_id │company_id│ since │  │ id │ name   │ city_id │
├────┼────────┤         ├──────────┼──────────┼───────┤  ├────┼────────┼─────────┤
│ 1  │ 김철수 │         │ 1        │ 10       │ 2019  │  │ 10 │ 네이버 │ 100     │
└────┴────────┘         └──────────┴──────────┴───────┘  └────┴────────┴─────────┘

SELECT c.name, ci.name
FROM persons p
JOIN employments e ON e.person_id = p.id
JOIN companies   c ON c.id = e.company_id
JOIN cities      ci ON ci.id = c.city_id
WHERE p.name = '김철수';

WITH RECURSIVE reach(person_id, depth) AS (
  SELECT friend_id, 1 FROM friendships WHERE person_id = 1
  UNION
  SELECT f.friend_id, r.depth + 1
  FROM friendships f JOIN reach r ON f.person_id = r.person_id
  WHERE r.depth < 3
)
SELECT DISTINCT person_id FROM reach;

MATCH (me:Person {name: "김철수"})-[:FRIEND*1..3]-(other:Person)
RETURN DISTINCT other.name;

관계형 DB (조인)                          그래프 DB (탐색)
─────────────────────                     ─────────────────────
1. employments 테이블 전체에서            1. 김철수 노드를 찾는다
   person_id = 1 을 인덱스로 찾는다       2. 그 노드에 붙은 WORKS_AT 엣지를
2. companies 테이블에서 id 매칭              바로 따라간다 (포인터처럼)
3. cities 테이블에서 id 매칭              3. 회사 노드의 LOCATED_IN 엣지를
                                             바로 따라간다
→ 홉마다 인덱스 조회                      → 홉마다 이웃만 본다
  (전체 테이블 크기의 영향)                  (전체 그래프 크기와 거의 무관)

import csv

triples = []
with open("employees.csv", encoding="utf-8") as f:
    for row in csv.DictReader(f):   # name, company, since
        triples.append((f"person:{row['name']}", "WORKS_AT", f"company:{row['company']}"))

입력 문장: "네이버는 2021년 왓패드를 인수했다."

1. 엔티티 인식     → [네이버: Company], [왓패드: Company]
2. 관계 추출       → (네이버, ACQUIRED, 왓패드) {year: 2021}
3. 엔티티 연결     → "네이버" = 기존 노드 company:naver ?
   (Entity Linking)   "NAVER", "네이버(주)"도 같은 노드로 합친다

PROMPT = """다음 문장에서 (주어, 관계, 목적어) 트리플을 JSON 배열로 뽑아라.
관계는 WORKS_AT, ACQUIRED, LOCATED_IN 중에서만 고른다.
문장: {text}"""

def extract(text: str, llm) -> list[dict]:
    return llm.json(PROMPT.format(text=text))  # [{"s": "네이버", "p": "ACQUIRED", "o": "왓패드"}]

검색: "레오나르도 다빈치"
        │
        ▼
 ┌───────────────────────────────┐
 │ 레오나르도 다빈치              │  ← 검색 결과 오른쪽 지식 패널
 │ 이탈리아의 화가, 발명가        │
 │ 출생: 1452년, 빈치             │
 │ 작품: 모나리자, 최후의 만찬    │
 └───────────────────────────────┘

Q42    = 더글러스 애덤스 (엔티티)
P31    = instance of (속성: ~의 인스턴스)
Q5     = human (엔티티)

(Q42, P31, Q5)  →  "더글러스 애덤스는 사람이다"

# 노벨 물리학상 수상자 목록
SELECT ?person ?personLabel WHERE {
  ?person wdt:P166 wd:Q38104 .            # P166 = award received, Q38104 = 노벨 물리학상
  SERVICE wikibase:label { bd:serviceParam wikibase:language "ko,en". }
}
LIMIT 10