知識グラフ×LLM — 研究動向と実務応用の包括整理（2024–2026年前半）¶

作成日: 2026-07-17 出典 / きっかけ: セッションで得た包括リサーチ要旨を、一次資料（arXiv 論文本文・公式ブログ・決算資料・報道）でサブエージェント2本により裏取りして整理したもの関連: オントロジーと知識グラフ_金融業界の実践例_整理（静的オントロジー側）／エアークローゼット_agentic_graph_rag_と社内mcp基盤_整理／エアークローゼット_46リポジトリ知識グラフとllm_observability_整理／rag_hybrid_search_bm25_embedding_rrf_整理。副指導研究（金融ニュース→動的知識グラフ dkg-jaist-report）と地続き。

0. 要点（3行）¶

KG×LLM は「派手な SOTA 競争」から「使い分けの成熟期」へ。GraphRAG 系はマルチホップ推論・大局的要約で明確に優位だが、単純な事実検索では vanilla RAG に劣る場合もある（GraphRAG-Bench）。中心論点は「いつ／どこにグラフを使うか」に移った。
効くのは「点」でなく「つながり」が本質のタスク。LinkedIn（チケット間関係）・Amazon（購買意図の常識関係）・金融不正（取引ネットワーク）・創薬（疾患-薬-遺伝子）で定量効果が実証済み。単一文書で完結する質問では投資が回収されにくい。
KG の最大の実務価値は精度そのものより「説明可能性・監査証跡」。規制 QA・AML・法務では全回答を原典にトレースできることが採用の決め手。加えて「エージェントの長期記憶」「LLM による KG 自動構築」「KG による事実性検証」が最インパクトの3潮流。

1. 全体像 — 「グラフを使うか」から「どこに使うか」へ¶

研究（GraphRAG-Bench）も実務（LinkedIn・NTTデータの解説）も、次の使い分けに収束している。

クエリの性質	推奨	理由
単純な事実検索・単一文書で完結	従来 RAG（vector/hybrid）	コスト・更新性で有利。グラフは冗長情報を足すだけになりがち
マルチホップ推論・関係横断	GraphRAG 系	「どのチームが X に供給するデータセットを所有するか」型の関係追跡に強い
大局的要約（コーパス全体の俯瞰）	GraphRAG 系（コミュニティ要約）	単一チャンクに存在しない概念を関係を辿って合成できる
変化する事実の記憶（エージェント）	時間認識 KG（Zep/Graphiti・Mem0）	いつ真実だったかを保持し、矛盾・失効を扱える

本番推奨はハイブリッド（RAG で文書リコール、KG で推論）。KAG をはじめ多くの実装がこの構成を採る。判断の目安として「クエリの 3 割以上がマルチホップ／関係横断型ならグラフ投資が正当化されやすい」という実務ヒューリスティックがある（※厳密な閾値ではなく経験則）。

2. GraphRAG 系と派生 — コストと精度のトレードオフ¶

手法	主眼	確認できた実績	出典の性質
Microsoft GraphRAG（2024/04, arXiv:2404.16130）	LLM でエンティティ KG 構築＋コミュニティ検出で階層要約を事前生成	大局的質問で vanilla RAG に対し勝率包括性 72–83%・多様性 62–82%	論文本文（データセットは Podcast 書き起こし＋MultiHop-RAG 由来ニュース）
LazyGraphRAG（2024/11, ブログのみ）	事前要約せずインデックス構築をほぼ無償化	フル GraphRAG の約 4% のクエリコスト（グローバル検索）	公式ブログ（AP ニュース 5,590 件＋合成クエリ 100 件）
LightRAG（HKUDS, arXiv:2410.05779）	デュアルレベル検索＋グラフ強化インデックス、増分更新が軽い	UltraDomain で SOTA を主張	著者自己申告
HippoRAG / HippoRAG 2（OSU）	海馬インデックス理論。オープン KG＋Personalized PageRank で文脈検索	下記詳細（数値すべて一次確認）	論文本文
KAG（Ant Group, 2024/09, arXiv:2409.13731）	専門ドメイン向け。KG と原文チャンクの相互インデックス＋論理形式ガイド推論	HotpotQA +19.6%・2Wiki +33.5%（F1）。OpenSPG で OSS 化	論文本文で確認

HippoRAG 2 の数値（すべて論文 Table で一致確認）¶

オリジナル HippoRAG（NeurIPS 2024, arXiv:2405.14831）: マルチホップ QA で最大 20% 改善、反復検索 IRCoT より 10–30 倍安く 6–13 倍速い。
HippoRAG 2（ICML 2025, arXiv:2502.14802）: バックボーンは Llama-3.3-70B-Instruct（抽出・フィルタ）＋ NV-Embed-v2, 7B（検索）。
2Wiki F1: 61.5 → 71.0（+9.5）
Recall@5: MuSiQue 69.7 → 74.7（+5.0）、2Wiki 76.5 → 90.4（+13.9）
連想記憶タスクで最先端埋め込み（NV-Embed-v2）比 約 7% 改善

⚠️ 裏取りで見つかった補正（初出要旨の誤り）: - GraphRAG 論文（2404.16130）のデータセットは VIINA（ウクライナ紛争ニュース）ではない。VIINA と "Novorossiya" のデモは別の 2024/02 MS Research ブログ記事（定性デモ）の話で、arXiv の定量評価とは別物。「包括性 50–70% 改善」は論文本文で直接確認できず（二次情報のみ）。 - LazyGraphRAG の「8 手法との 96 対決で 96 勝・95 件有意」は、上記オリジナルブログではなく別ブログ（BenchmarkQED、データセットも健康関連 AP 記事 1,397 件＋クエリ 200 件と別物）の結果。両者を同一評価のように束ねるのは誤り。LazyGraphRAG に arXiv 論文は無い（ブログのみ）。

3. GraphRAG は万能ではない — ベンチマークの反証¶

GraphRAG-Bench / "When to use Graphs in RAG"（2025, arXiv:2506.05690） が使い分けを定量化した。

単純な事実検索（Level 1）では vanilla RAG が Context Recall 83.2% を達成。グラフは冗長情報を持ち込みむしろ不利。
複雑な質問（Level 2-3）では HippoRAG が Evidence Recall 87.9–90.9%（Novel Dataset, Table 3）。グラフ優位が明確化。

⚠️ 補正: よく引かれる「GraphRAG は Natural Questions で vanilla RAG より 13.4% 低い精度」は、この論文自身の実験ではなく他論文（Han et al., 2025）からの引用として書かれている。帰属に注意。

教訓: 「グラフか否か」ではなく「どこにグラフを使うか」。単純検索は従来 RAG、マルチホップ・関係横断はグラフ、が研究・実務双方の結論。

4. LLM による KG 自動構築¶

古典パイプライン（オントロジー設計→知識抽出→知識融合）を LLM が自動化しつつある。従来の障壁だった手作業のオントロジー設計・名寄せが崩れてきた。

スキーマベース（定義済みオントロジーに沿う）と スキーマフリー（オープン抽出）の 2 パラダイム。
AutoSchemaKG（arXiv:2505.23628）: Web 規模コーパスから動的にスキーマを誘導し、定義済みスキーマを不要にする（"eliminates the need for predefined schemas" と原文確認）。オントロジー不要の KG 構築が主流化。
NEC: 複数データソース統合時の「列の意味推定」を自動化し、専門家 30 日規模の作業を約 1 時間で同等品質に（一次報道で確認）。

留意: サーベイ類はコスト・レイテンシ・データプライバシーへの言及が乏しいと批判もある。ドメイン特化では前処理（名寄せ・オントロジー）が依然として精度を左右する。

5. KG による推論・検証・ハルシネーション抑制¶

Think-on-Graph 2.0（ICLR 2025, arXiv:2407.10805）: KG を非構造化文書とエンティティで連結し、グラフ検索と文脈検索を交互に行うハイブリッド RAG。深い長距離の関連を辿り論理的一貫性を保つ。
KG によるハルシネーション抑制は「事実性（factuality）」と「忠実性（faithfulness）」で効き方が違う:
KG を文脈に入れると事実性ハルシネーションは減る。
忠実性ハルシネーション（与えられた文書の誤読）は別問題として残る。→ 本番設計で検証レイヤーを必須化する理由。
KG は「制約・検証・証跡」の 3 役割で使われる。規制産業ではこの証跡（原典トレース）が採用の決め手。

6. エージェントの長期記憶としての KG（新たなキラーユースケース）¶

KG を静的知識ベースではなく時間変化する動的メモリとして扱う潮流。bitemporal モデリング（いつ真実だったか＋いつ記録したか）が、変化する世界で正しく推論するための新標準になりつつある。

実装	特徴	確認できた実績
Zep / Graphiti（arXiv:2501.13956）	episode / semantic entity / community の 3 階層＋bitemporal。中核エンジン Graphiti は OSS	DMR 94.8%（MemGPT 93.4% 超）、LongMemEval で精度最大 +18.5%・レイテンシ −90%（本文一致）
Mem0（ECAI 2025, arXiv:2504.19413）	トークン効率重視。グラフ版 Mem0g	LOCOMO J=67.13%（LLM-as-judge）、p95 検索レイテンシ 0.200 秒、Mem0g の時間的推論 J=58.13（本文一致）

⚠️ 補正: 初出要旨の「Mem0 は会話あたり約 1,764 トークン」は原論文に見当たらない。論文は "~7k tokens per conversation on average" と記載（full-context 比で大幅減という主張自体は妥当だが、1,764 という具体数は要撤回・要確認）。

なお Zep が LOCOMO で 75.14% を主張しているのは Mem0 論文内ではなく Zep 側の反論ブログ（両社でベンチマーク解釈の論争が継続中）。「発表時ベンチマーク」と「30 日後の実効精度」は別物で、本番では stale data・entity contradiction による経時劣化が独立検証で報告されている。

7. 実務事例 — 金融・コンプライアンス（最も成熟・重点領域）¶

個別取引は正常に見えても、関係ネットワークを見ると不正が浮かぶ（フラウドリング・合成 ID・多層マネロン）。ここが KG の最も明確な ROI 領域。

事例	確認できた実績	出典
Neo4j 不正検知（一般）	大手金融顧客がグラフデータサイエンス導入後数ヶ月で数千万ドル規模の不正を発見	Neo4j ホワイトペーパー
Zurich Insurance	Neo4j（Linkurious 併用）で約 2,000 万ノード・3,500 万関係、トリアージ時間平均 −30%、年間 5 万時間節約	Neo4j 公式事例／Linkurious ブログ
Banking Circle	ルールベース→グラフ ML で不正検知 +300%・誤検知 −25%	二次資料（Neo4j 事例由来と推定）
MasterControl "RAGulating Compliance"（arXiv:2508.09893, ISWC 2025）	規制文書から SPO 三つ組抽出→オントロジー不要 KG、全回答を規制条文にリンクし検証可能な監査証跡を提供	論文本文で確認

要点: AML は不正検知一般と違い「説明可能なコンプライアンスワークフロー」が必須。三つ組による事実グラウンディングとサブグラフ可視化で精度と説明可能性を両立させる設計が定石。

8. 実務事例 — 医療・製薬、テック大手、日本企業¶

医療・製薬¶

PrimeKG（Harvard Zitnik Lab, Nature Scientific Data 2023）: 20 リソース統合、17,080 疾患・4,050,249 関係（一次一致）。indications/contradictions/off-label エッジを持ち薬剤-疾患予測を支える。GraphRAG の信頼できる文脈知識源としても利用。

テック大手の本番運用（数値は一次または複数二次で確認）¶

LinkedIn（SIGIR 2024, arXiv:2404.17723）: 過去チケットを KG 化、GPT-4 でパース。約 6 ヶ月の本番運用で問題あたり解決時間の中央値を −28.6%（＝median 短縮）、MRR +77.6%・BLEU +0.32。※「平均解決時間 40 時間→15 時間」は Table 3 の別指標（mean）。両者は別物なので混同しない。
Amazon COSMO（SIGMOD 2024）: 顧客行動から常識的知識を採掘し KG 構築。18 カテゴリ・約 2,900 万エッジ、検索関連性 macro-F1 +60%（frozen encoder 条件）、10% 米国トラフィック A/B で 0.7% 売上増、生成仮説の約 1/3 のみが人間レビュー通過（human-in-the-loop）。
Amazon Rufus（COSMO が背後で文脈供給）: Q4 2025 決算で 2025 年に 3 億人以上が利用（トランスクリプトで一次確認）。増分年間換算売上約 120 億ドル押し上げは決算資料由来の報道経由。
Google: 関係データ向け Graph Foundation Model を広告スパム検知等の本番タスクに適用。

日本企業¶

富士通: 「ナレッジグラフ拡張 RAG」、因果を明示した Fujitsu Causal Knowledge Graph（2024/10 ホワイトペーパー）、GENIAC 採択「論理推論を可能とする大規模言語モデルの研究開発」、Hugging Face（Fujitsu-LLM-KG）で一部公開。※これらは同一プロジェクトではなく複数施策の束（個々は事実確認済み）。
ストックマーク: 社内外文書・特許から KG 自動構築＋独自 LLM。日本ガイシと共同実証（2024/02、日経報道）。定量数値の公表はなし（定性）。
NEC: 列の意味推定自動化で統合作業 30 日→約 1 時間。
パナソニックコネクト: 「観察駆動型 AI エージェント」が RAG に KG を参照、ACL 2024 採択。
NTT 東日本 / NTT データ: GraphRAG による社内ナレッジ活用ソリューション、リスク審査等のユースケースを技術ブログで解説。

9. 裏取りの注記 — 数値の確度（重要）¶

このノートの数値は、初出リサーチ要旨をサブエージェント2本で一次資料照合した結果。特に扱いに注意すべき点:

主張	確度	注記
HippoRAG/2、Zep/Graphiti、Mem0(J値)、PrimeKG、LinkedIn、COSMO、Neo4j/Zurich、NEC、AutoSchemaKG、Think-on-Graph 2.0、KAG(HotpotQA/2Wiki)、MasterControl	✅ 一次または複数独立の一次に近い資料で確認	そのまま引用可
GraphRAG「包括性 50–70% 改善」	⚠️ 二次情報のみ	論文本文で直接確認できず
GraphRAG のデータセット	✏️ 訂正済	VIINA ではなく Podcast＋MultiHop-RAG 系ニュース
LazyGraphRAG「96 勝」	✏️ 訂正済	オリジナルブログでなく BenchmarkQED（別データセット）の結果
GraphRAG-Bench「NQ で 13.4% 低い」	✏️ 帰属訂正	本論文でなく Han et al. 2025 の引用
Mem0「1,764 トークン/会話」	❌ 要撤回	原論文に無し。実際は「~7k tokens/conversation」
KAG 電子政府「91.6%/71.8%」	⚠️ 二次情報のみ	原論文 Sec.4 に本文取得が届かず。accuracy/precision の指標混同にも注意
Graphwise「60%→90%」	⚠️ 二次情報のみ	匿名顧客事例。公式ブログ本文に直接到達できず
ベンダー自己申告全般（LazyGraphRAG「全勝」、Mem0 対 Zep 論争、LightRAG SOTA）	⚠️ 解釈論争あり	合成クエリ・LLM-as-Judge には限界。PoC では自社データで A/B すること

10. まとめ — いつ KG を使うか（早見表）¶

状況	推奨アプローチ
単純な事実検索・単一文書で完結	従来 RAG（vector/hybrid）。グラフ投資は回収されにくい
マルチホップ・関係横断が 3 割以上	GraphRAG 系を検討。まず LazyGraphRAG / LightRAG で構築コストを抑えて評価
大局的要約・コーパス俯瞰	GraphRAG のコミュニティ要約
監査・規制・法務	出典リンク＋KG 三つ組グラウンディングで検証レイヤー必須（RAGulating Compliance 型）
エージェントの長期記憶	時間認識 KG。監査証跡重視なら Zep/Graphiti、トークン効率重視なら Mem0
KG 自動構築の入口	AutoSchemaKG 系のスキーマフリーから始め、ドメイン特化で段階的にオントロジー導入
運用フェーズ	stale data・entity contradiction による経時劣化を監視。矛盾検出を設計に組み込む
撤退判断	導入後も vanilla RAG と A/B 継続。複雑クエリでの改善が 10–15% を下回り TCO を正当化できなければ従来 RAG に戻す

橋渡しの教訓（4つ）: 1. 定量効果が出るのは「関係の追跡」が本質のタスクだけ。単一文書で完結する質問では回収されにくい。 2. KG の最大価値は精度より説明可能性・監査証跡。規制・法務での採用理由はここ。 3. LLM が KG 構築のボトルネック（オントロジー設計・名寄せ）を解消しつつあるが、ドメイン特化では前処理が依然精度を左右。 4. ベンダー主張と独立検証のギャップに注意する文化が根付いた。発表時ベンチマークと 30 日後の実効精度は別物。abstention（棄権）を評価するベンチマークで自社データ A/B を。

補足 — 副研究（DKG）への含意¶

副指導研究「金融ニュース（CoinPost）→ 動的知識グラフ」は、本ノートの潮流と直接地続き。特に: - 時間認識 KG（bitemporal）の設計思想（Zep/Graphiti の「いつ真実だったか」）は、ニュース由来の事実が時間とともに失効・更新される DKG にそのまま効く。 - LLM による KG 自動構築（AutoSchemaKG のスキーマフリー）は、金融ニュースからのトリプル抽出の設計選択（スキーマ固定 vs 動的誘導）に示唆を与える。 - 静的オントロジー側の整理はオントロジーと知識グラフ_金融業界の実践例_整理（FIBO・KYC/AML）を参照。

参考リンク¶

研究（論文・公式ブログ） - Microsoft GraphRAG: https://arxiv.org/abs/2404.16130 ／ VIINA デモ元ブログ: https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/ - LazyGraphRAG: https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/ ／ BenchmarkQED: https://www.microsoft.com/en-us/research/blog/benchmarkqed-automated-benchmarking-of-rag-systems/ - LightRAG: https://arxiv.org/abs/2410.05779 - HippoRAG: https://arxiv.org/abs/2405.14831 ／ HippoRAG 2: https://arxiv.org/abs/2502.14802 - KAG: https://arxiv.org/abs/2409.13731 ／ OpenSPG: https://github.com/OpenSPG/KAG - GraphRAG-Bench（When to use Graphs in RAG）: https://arxiv.org/abs/2506.05690 - Zep/Graphiti: https://arxiv.org/abs/2501.13956 ／ https://github.com/getzep/graphiti - Mem0: https://arxiv.org/abs/2504.19413 ／ Zep 反論: https://blog.getzep.com/lies-damn-lies-statistics-is-mem0-really-sota-in-agent-memory/ - AutoSchemaKG: https://arxiv.org/abs/2505.23628 - Think-on-Graph 2.0: https://arxiv.org/abs/2407.10805

実務（企業・事例） - LinkedIn KG-RAG: https://arxiv.org/abs/2404.17723 - Amazon COSMO: https://www.amazon.science/blog/building-commonsense-knowledge-graphs-to-aid-product-recommendation - Neo4j 金融不正: https://neo4j.com/whitepapers/financial-fraud-detection-graph-data-science/ ／ Zurich 事例: https://neo4j.com/customer-stories/zurich-insurance/ - PrimeKG: https://www.nature.com/articles/s41597-023-01960-3 - MasterControl RAGulating Compliance: https://arxiv.org/abs/2508.09893 - 富士通 GENIAC/LLM-KG: https://blog.fltech.dev/entry/2024/10/15/Fujitsu-LLM-KG-ja ／ Causal KG: https://global.fujitsu/ja-jp/technology/research/article/topics/202410-causal-knowledge-graph - ストックマーク×日本ガイシ: https://stockmark.co.jp/news/20240208 - パナソニックコネクト: https://news.panasonic.com/jp/press/jn241003-2

作成: 2026-07-17 ／最終更新: 2026-07-17