Knowledge Graphs (KGR)

Daten und Wissen als Netzwerk verstehen und nutzen: Du lernst, wie Informationen in Wissensgraphen vernetzt dargestellt und strukturiert werden. Im Fokus stehen die Modellierung von Datenbeziehungen, das Zusammenführen verschiedener Datenquellen sowie die Sicherung von Datenqualität. Zusätzlich entwickelst du einfache wissensgraphbasierte Anwendungen und lernst, Abfragen zu formulieren und Ergebnisse auszuwerten.

Inhalte

• Historische Entwicklung von Wissensgraphen und des Semantic Web
• Graphbasierte Repräsentationssprachen und -formate: RDF und seine Serialisierungen
• Abfragesprachen für Wissensgraphen: SPARQL und Cypher
• Öffentliche Wissensgraphen und Linked Open Data, insbesondere Wikidata
• Wissensmodellierung: Vokabulare und Ontologien mit RDFS, SKOS und OWL
• Property-Graph-Modelle und Graphdatenbanken
• Konstruktion von Wissensgraphen: Mapping, Entity Resolution und Schema-Abgleich
• Datenqualität, Konsistenz und Konfliktauflösung bei der Integration heterogener Quellen
• Wissensgraphen und maschinelles Lernen: Graph-Embeddings und Link Prediction
• Wissensgraphen und Sprachmodelle: strukturiertes Wissen als Ergänzung generativer Modelle, GraphRAG
• Anwendungsarchitekturen und Einsatzfelder von Wissensgraphen
• Praktische Übungen und Projektarbeit zur Entwicklung einer wissensgraphbasierten Anwendung

Lernziele/Kompetenzen

Die Studierenden sind in der Lage,

• die grundlegenden Konzepte, Standards und Architekturen von Wissensgraphen und des Semantic Web zu erklären,
• geeignete Repräsentationssprachen und Modellierungsansätze für konkrete Anwendungsfälle auszuwählen,
• Ontologien zu entwerfen und Domänenwissen strukturiert in Wissensgraphen zu modellieren,
• Abfragen auf Wissensgraphen zu formulieren und Ergebnisse zu interpretieren,
• Provenienz, Lizenz und Qualität von Datenquellen zu bewerten,
• unterschiedliche Datenquellen zu integrieren und Qualitätsprobleme in Wissensgraphen zu identifizieren,
• Wissensgraphen mit Sprachmodellen zu verbinden und zu beurteilen, wo strukturiertes Wissen die Schwächen generativer Modelle ausgleicht,
• eine wissensgraphbasierte Anwendung zu konzipieren, zu implementieren, lauffähig bereitzustellen und zu evaluieren.

Literatur

• A. Hogan et al., Knowledge Graphs. Cham, Switzerland: Springer, 2021. [Online]. Available: https://kgbook.org/ [Accessed: 19-Aug-2026].
• D. Allemang, J. Hendler, and F. Gandon, Semantic Web for the Working Ontologist: Effective Modeling for Linked Data, RDFS, and OWL, 3rd ed. New York, NY, USA: Association for Computing Machinery, 2020.
• B. DuCharme, Learning SPARQL: Querying and Updating with SPARQL 1.1, 2nd ed. Sebastopol, CA, USA: O’Reilly Media, 2013.
• J. Barrasa and J. Webber, Building Knowledge Graphs: A Practitioner’s Guide. Sebastopol, CA, USA: O’Reilly Media, 2023.
• M. Kejriwal, C. A. Knoblock, and P. Szekely, Knowledge Graphs: Fundamentals, Techniques, and Applications. Cambridge, MA, USA: The MIT Press, 2021.
• S. Pan, L. Luo, Y. Wang, C. Chen, J. Wang, and X. Wu, “Unifying Large Language Models and Knowledge Graphs: A Roadmap,” IEEE Transactions on Knowledge and Data Engineering, vol. 36, no. 7, pp. 3580–3599, 2024.

Dozentinnen / Dozenten

• Prof. Dr. Kai Eckert
• Tobias Malmsheimer

Empfohlene Vorkenntnisse 

• Grundkenntnisse in Datenbanken und Datenmodellen
• Grundlagen der Informatik und Softwareentwicklung
• Basiskenntnisse in formalen Sprachen oder Logik (von Vorteil, aber nicht zwingend erforderlich)
• Erfahrung in Programmierung, in der Veranstaltung wird Python eingesetzt.

Daten zum Modul

Semester	6/7
Unterrichtssprache	Deutsch
Häufigkeit	Unregelmäßig
Kreditpunkte (CP)	5
Modulverantwortlich	Prof. Dr. Kai Eckert
Dauer	1 Semester
Studienleistung	Keine
Prüfungsvorleistung	Keine
Prüfungsleistung	Continuous Assessment (CA)

Semesterwochenstunden (SWS) 

Vorlesung	2 SWS
Übung	2 SWS
Summe	4 SWS

Arbeitsaufwand (Workload) 

Vorlesung	30 h
Labor	30 h
Selbststudium	30 h
Aufgaben	30 h
Projekt	30 h
Summe	150 h