Column

社内データに自然言語で質問できる日——KG2Cypherが変えるナレッジグラフ活用

Cypherクエリを書けない非エンジニアでも、社内ナレッジグラフに自然言語で質問できる。KG2Cypherが示す95.2%精度のText-to-Cypherパイプラインと、HR・営業部門への応用を解説する。

2026 / 06 / 29 5 分で読める English version →

多くの企業で、こんな状況が起きています。

データ部門が社内の人材情報・組織構造・取引先関係・製品ラインアップをナレッジグラフとして整備した。グラフデータベースにはNeo4jが入っている。でも、そのデータを日常業務で使えているのは、Cypherクエリを書けるエンジニアだけだ。

HR担当者が「過去3年でプロジェクトXに関わった社員をリストしたい」と思っても、自分ではクエリを書けない。営業担当が「競合他社との接点がある取引先を探したい」と思っても、同じ壁にぶつかる。

データは資産だと言われますが、その資産を引き出す鍵を持っているのが一部の技術者だけ、という状況は、組織全体のデータ活用率を大きく下げます。

今日伝えたいこと

KG2Cypherは、自然言語の質問をCypherクエリに自動変換するText-to-Cypherパイプラインを提案。11クラスのエンタープライズ設定で実行完全一致95.2%・実行率99.9%・F1スコア0.964を達成
「KGからクエリを生成→対応する自然言語をLLMで生成→検証→学習データ化」という完全自動のデータ生成パイプラインが特徴
HR・営業・情報システム部門が「非エンジニアのセルフサービスデータ分析」として実装するための具体的なイメージを提示する

① 「データはあるのに使えない」という矛盾を解く

Choi、Kim、Seo、Mo、Lee、Ko研究チームが提案するKG2Cypherは、この問題への実践的な解です。

研究の中心にあるのは、「Text-to-Cypher」という機能です。ユーザーが自然言語で質問を入力すると、それが自動的にCypherクエリに変換され、実行されます。エンジニアを経由せずに、データベースの中身を引き出せるようになります。

重要なのは、「エンタープライズ設定でどれだけうまく動くか」という点です。研究用データセットと異なり、企業の社内ナレッジグラフはスキーマが複雑で、エンティティの名前が曖昧で、同じ概念が複数の呼び方をされていることがあります。この研究はその現実的な難しさに正面から取り組んでいます。

② パイプラインの仕組み——「逆方向でデータを作る」という発想

KG2Cypherの特徴は、「データ中心のパイプライン」という設計思想にあります。

通常、Text-to-Cypherの学習データを用意するには、人手で大量の「質問とクエリのペア」を作成する必要があります。これは手間がかかります。

KG2Cypherはこの問題を逆転させました。ナレッジグラフの中に存在するグラフ事実（エンティティ間の関係）からCypherクエリを自動生成し、そのクエリに対応する自然言語の質問をLLMに生成させ、品質を検証してから学習データ化する。

つまり「クエリ→自然言語」という逆方向でデータを作ります。ナレッジグラフ自体から自動的に学習データを生成できるため、人手作業なしでシステムを構築できます。

加えて、スキーマプロンプティング（グラフの構造情報をLLMに与える）、エンティティ検索（質問の固有名詞をグラフ内の正式エンティティ名に対応させる）、特殊な推論技術を組み合わせて精度を高めています。

③ 精度はどのくらい出ているか

この研究が提示している数値は具体的です。

11クラスのエンタープライズ設定での評価において、実行完全一致95.2%・実行率99.9%・F1スコア0.964という結果が示されています。

実行率99.9%というのは、生成されたCypherクエリがほぼ必ずエラーなく動くことを意味します。「クエリは生成されたが動かない」という状況がほぼ起きない。これは実用上とても重要な指標です。

実行完全一致95.2%というのは、生成されたクエリが正解クエリと完全一致する割合です。自然言語の表現ゆれを考えると、この水準は実用に耐えうる精度として注目に値します。

④ HR部門・営業部門への具体的なユースケース

この技術が実装されると、非エンジニア社員の働き方がどう変わるか、具体的に考えてみます。

HR部門のシナリオです。人事担当者が「マーケティング部門で5年以上の経験があり、英語が話せる社員を教えて」とチャット形式で入力する。システムはそれをCypherクエリに変換し、社内の人材KGから条件に合う社員のリストを返す。これまでは情シスにクエリ依頼を出して数日待つ作業が、即座に完結します。

営業部門のシナリオです。担当者が「過去2年で製品Aの提案を受けたことがある取引先のうち、まだ契約に至っていない企業を教えて」と入力すれば、営業KGから条件一致のリストが出てきます。CRMの検索機能では難しい複数条件の組み合わせを、自然言語で指定できるようになります。

どちらのシナリオも、非技術者が複雑な構造化クエリを自分で実行できるようになるという変化が本質です。

⑤ 導入効果のKPIと実装上の注意点

導入効果を測定するためのKPIとして設定できるのは、主に2つです。

一つ目は、非技術職のデータ活用率の変化です。情シスへのクエリ依頼件数と、導入後に非エンジニア社員が自分でデータ検索した件数を比較することで、セルフサービス化の進捗を測定できます。

二つ目は、クエリ取得にかかる時間の短縮です。「情シスに依頼→数日後に回答」というフローと自然言語クエリによる即時取得を比較することで、業務効率改善の定量評価ができます。

実装前に確認すべき点もあります。まず、ナレッジグラフの品質です。KG2Cypherはグラフ内のデータからクエリと質問のペアを生成するため、ベースとなるKGが整理されていることが前提です。スキーマが曖昧なままでは精度が出ません。

次に、エンティティの正規化です。「田中太郎」「Taro Tanaka」「T.Tanaka」が別エンティティとして登録されているような状況は、事前のデータクリーニングが必要です。

また、どのLLMをバックエンドとして使うかという選択も重要です。社内データを扱う以上、外部APIを使う場合はプライバシーポリシーと社内規定の確認が必要です。オンプレミスや自社管理の環境でLLMを動かす選択肢も視野に入れておきたいです。

まとめ——「データの民主化」とは何か

Text-to-Cypherは、単なる便利機能の話ではありません。

これはデータへのアクセス権の再分配です。これまでエンジニアという特定の職能層だけが持っていた「複雑な問いをデータに直接投げる能力」が、自然言語インターフェースを通じて組織全体に広がっていく。

KG2Cypherが示す95.2%の実行完全一致という精度は、実用的なシステムを構築できるレベルに近づいてきたことを示しています。完璧ではないし、今後も改善の余地はあります。しかしこの水準であれば、「試しに使ってみる」フェーズから「業務に組み込む」フェーズへの移行を検討できる段階です。

データ部門や情シスがナレッジグラフの整備を進めているなら、次のステップとしてText-to-Cypherの実装を検討するタイミングは、今が一つの節目になりそうです。

参考論文

Minjun Choi, Yerin Kim, Junghyuk Seo, Sujin Mo, Hyemin Lee, Youngjoong Ko (2026). KG2Cypher: Data-Centric Pipeline for Building Enterprise Text-to-Cypher Systems. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。