知识图谱通过将数据组织成相互关联的实体及其关系，从而改进信息检索（IR）。这种结构使系统能够理解上下文并推断超出关键词匹配的含义。传统的 IR 系统依赖词法分析，难以处理歧义词、同义词或需要领域特定知识的复杂查询。知识图谱通过显式建模现实世界实体（例如，人物、地点、概念）及其语义连接来解决这些局限性。例如，对于“Apple”的搜索可以通过链接数据进行消歧：如果用户的查询上下文包含“iPhone”或“库比蒂诺”等词，系统可以将科技公司置于水果之前。这种结构化方法允许 IR 系统解释意图并提供更相关的结果。
一个关键优势是能够在搜索过程中解析实体关系。例如，像“在欧洲接受教育且从事 AI 工作的科学家”这样的查询需要跨数据层连接多个实体（科学家、机构、研究领域）。知识图谱可以高效地遍历这些关系，识别像 Yann LeCun（与 Meta AI 相关，在法国接受教育）这样的个人，而无需完全依赖文本模式。这也支持查询扩展：如果用户搜索“Python”，系统可以通过分析相邻词（例如，“代码” vs.“栖息地”）并利用预先计算的实体属性来区分编程语言和动物。这些能力减少了歧义并提高了召回率，尤其是在医疗保健或技术文档等对精确性至关重要的领域。
最后，知识图谱通过实现信息的动态聚合来增强 IR。开发人员可以使用图遍历算法来发现间接连接，例如推荐与查询中提到的研究人员的同事合著的文章。例如，搜索“2023 年机器学习会议”不仅可以返回会议日期，还可以返回在那里发表的相关论文，通过作者单位关联起来。这种结构化数据层还通过提供实体及其属性的统一表示，简化了与推荐引擎或聊天机器人等其他工具的集成。通过将数据组织成图，IR 系统超越了基于关键词的索引，为用户提供了更符合现实世界知识的上下文感知和相互关联的答案。