Qui a popularisé le terme knowledge graph ?

Google, le 16 mai 2012, en annonçant son Knowledge Graph avec la formule « things, not strings ». Le concept sous-jacent est plus ancien : il prolonge les réseaux sémantiques des années 1960 et le web sémantique décrit par Tim Berners-Lee en 2001.

Quelle différence entre un graphe de connaissances et une base relationnelle ?

Dans une base relationnelle, la relation est encodée dans le schéma et suppose une jointure pour être parcourue. Dans un graphe, la relation est un objet de premier rang, typée et traversable directement. La différence devient sensible dès qu’on interroge des chaînes de plusieurs sauts.

Le graphe d’Obsidian est-il un graphe de connaissances ?

Partiellement. C’est un graphe de documents avec des liens non typés : il indique que deux notes sont liées, sans dire en quoi. Un graphe de connaissances au sens strict qualifie la relation — « contredit », « est un cas de », « cite » — ce qui le rend interrogeable.

Qu’est-ce qu’un graphe de connaissances ?

Un graphe de connaissances est une représentation de l’information sous forme d’entités reliées par des relations qualifiées. Contrairement à une base classique où les liens sont implicites, un graphe rend la relation elle-même explicite, typée et interrogeable.

Comment ça marche concrètement ?

Un graphe de connaissances représente l’information comme un réseau d’entités reliées par des relations nommées. Sa structure élémentaire est le triplet : un sujet, un prédicat, un objet — « Niklas Luhmann », « a enseigné à », « université de Bielefeld ». Chaque nœud peut appartenir à plusieurs triplets, ce qui fait émerger un réseau plutôt qu’une arborescence.

L’apport tient à un point précis : la relation est explicite et typée. Dire que deux documents sont « liés » n’apprend presque rien ; dire que l’un « réfute » l’autre permet de poser une question comme « quelles sources contredisent cette thèse » et d’obtenir une réponse.

D’où vient le concept ?

Le terme s’impose le 16 mai 2012, quand Google annonce son Knowledge Graph avec la formule « things, not strings » — comprendre que « Paris » désigne une ville, une personne ou un film, plutôt que traiter une chaîne de caractères. Le graphe alimente depuis les encadrés d’information affichés à droite des résultats de recherche.

Les fondations sont bien antérieures. Les réseaux sémantiques apparaissent en intelligence artificielle dans les années 1960 avec les travaux de Ross Quillian. Tim Berners-Lee formalise en 2001, avec James Hendler et Ora Lassila, la vision du web sémantique et la pile RDF/OWL/SPARQL, qui reste le socle technique des graphes ouverts — Wikidata, lancé en 2012 par la Wikimedia Foundation, en est aujourd’hui le représentant le plus consulté.

Quelles différences avec les autres modèles ?

Modèle	Unité	Relation	Point fort
Base relationnelle	Ligne de table	Clé étrangère, via jointure	Intégrité, agrégats
Base documentaire	Document	Imbriquée	Flexibilité du schéma
Graphe de documents	Note ou page	Lien non typé	Sérendipité, navigation
Graphe de connaissances	Entité	Typée, de premier rang	Interrogation multi-sauts

La ligne qui distingue les deux dernières est celle qui compte pour la prise de notes. Le graphe d’Obsidian ou de Logseq est un graphe de documents : joli à regarder, utile à naviguer, mais incapable de répondre à une question, faute de savoir ce que ses arêtes signifient.

À quoi sert un graphe de connaissances en pratique ?

Désambiguïser. Rattacher une mention à une entité identifiée résout les homonymies — le Paris ville, le Paris personnage, le Paris Texas.
Répondre à des questions à plusieurs sauts. « Quels auteurs cités dans mes sources sur le PKM travaillent aussi sur l’attention » suppose de traverser deux relations ; c’est impossible sans typage.
Détecter les contradictions. Deux sources qui affirment des choses incompatibles sur la même entité ne peuvent être rapprochées que si l’entité est identifiée comme telle des deux côtés.
Fournir du contexte à un modèle de langue. C’est l’usage qui a relancé le domaine depuis 2023, sous le nom de GraphRAG : donner à un modèle non pas des passages isolés mais le voisinage structuré d’une entité.

Quelles sont les limites ?

Le coût de construction est le premier obstacle. Extraire les entités, les relier, maintenir une ontologie cohérente : c’est un travail continu, et un graphe mal entretenu produit des réponses fausses avec la même assurance qu’un graphe juste.

Le second obstacle est plus subtil : un graphe ne dit pas ce qui compte. Il indique que deux notions sont reliées, sans hiérarchiser. Sur un graphe personnel de quelques milliers de nœuds, tout finit relié à tout, et la visualisation devient une pelote décorative — un phénomène bien connu des utilisateurs d’outils de notes, où le graphe est admiré au début puis jamais rouvert.

Le troisième est celui de l’entrée. Un graphe se parcourt à partir d’un point de départ. Si l’utilisateur ne sait pas nommer l’entité qu’il cherche — cas le plus fréquent quand le souvenir est vague — le graphe reste inaccessible malgré sa richesse.

Comment le graphe et la recherche se complètent-ils ?

Le graphe résout la mise en relation ; il ne résout pas l’entrée. C’est la recherche qui donne le premier nœud, et c’est là que la plupart des systèmes personnels cèdent : on se souvient d’une idée, pas des mots qu’on avait employés pour l’écrire.

Le chiffre le dit bien. Sur un corpus mesuré de 948 synthèses vectorisées avec bge-m3, la requête « féodalisme », adossée à cinq documents réellement pertinents, culmine à 0,510 de similarité, contre 0,424 pour une requête ne correspondant à rien — neuf centièmes d’écart. Un seuil fixe à 0,65 ne rendait rien à un utilisateur qui possédait pourtant ses cinq sources.

Synthiz combine les deux. Les concepts extraits des sources se relient entre eux dans une « mémoire » thématique, avec les citations sourcées correspondantes ; et la recherche qui y donne accès fusionne sémantique et lexical, en jugeant la pertinence à l’écart d’un document à la distribution de sa propre requête plutôt qu’à un seuil arbitraire. Le maillage garde l’inspiration ; la recherche garantit qu’on remonte à la source exacte d’où vient chaque idée.