RFC-003: ナレッジグラフと推薦システムの実装¶

ステータス: Proposed 作成日: 2025-12-05 担当者: Data Engineering Team 想定工数: 14週間 優先度: P1 (High)

エグゼクティブサマリー¶

タスク、プロジェクト、ユーザー、ドキュメント間の関係性をグラフデータベースで管理し、インテリジェントな推薦とインサイトを提供します。属人化の解消、ナレッジ共有の促進、業務効率の向上を実現します。

期待効果: - 関連情報の発見時間を 80% 削減 - ナレッジの再利用率を 3倍に向上 - 引き継ぎ時間を 2週間 → 3日 に短縮

1. 背景と動機¶

1.1 現状の課題¶

情報の孤立: - タスクの背景情報が散在 (Wiki, Slack, メール) - 類似タスクの発見が困難 - 過去のノウハウが活用されない

属人化: - 特定のタスクに詳しい人が不明 - 担当者変更時の知識ロス - ドメイン知識の可視化不足

1.2 ソリューション¶

グラフデータベース (Neo4j) を活用したナレッジグラフ:

エンティティ: - Task - Project - User - Document - Tag - Skill

関係性: - ASSIGNED_TO (User ← Task) - BELONGS_TO (Task → Project) - DEPENDS_ON (Task → Task) - RELATED_TO (Task ↔ Task) - HAS_SKILL (User → Skill) - REFERENCES (Task → Document) - TAGGED_WITH (Task → Tag)

2. アーキテクチャ¶

2.1 グラフモデル¶

// ノード作成
CREATE (t:Task {
  id: 'task-123',
  title: 'Implement authentication',
  status: 'done'
})

CREATE (u:User {
  id: 'user-456',
  name: 'Alice'
})

CREATE (s:Skill {
  name: 'Authentication',
  category: 'Security'
})

// 関係作成
CREATE (u)-[:ASSIGNED_TO]->(t)
CREATE (u)-[:HAS_SKILL {level: 'expert'}]->(s)
CREATE (t)-[:REQUIRES_SKILL]->(s)

2.2 推薦アルゴリズム¶

タスク推薦:

// 類似タスクの検索
MATCH (t:Task {id: $taskId})-[:TAGGED_WITH]->(tag:Tag)
MATCH (similar:Task)-[:TAGGED_WITH]->(tag)
WHERE similar.id <> $taskId
  AND similar.status = 'done'
RETURN similar, count(tag) as commonTags
ORDER BY commonTags DESC
LIMIT 10

エキスパート発見:

// タスクに適したエキスパートを見つける
MATCH (t:Task {id: $taskId})-[:REQUIRES_SKILL]->(skill:Skill)
MATCH (u:User)-[has:HAS_SKILL]->(skill)
WHERE has.level IN ['expert', 'advanced']
RETURN u, collect(skill.name) as skills
ORDER BY size(skills) DESC

ナレッジ推薦:

// 関連ドキュメントの推薦
MATCH (t:Task {id: $taskId})
MATCH (similar:Task)-[:RELATED_TO]-(t)
MATCH (similar)-[:REFERENCES]->(doc:Document)
RETURN doc, count(*) as relevance
ORDER BY relevance DESC

3. 推薦機能¶

3.1 タスク作成時の推薦¶

const TaskRecommendations = ({ taskTitle, tags }) => {
  const { data } = useQuery(RECOMMEND_QUERY, {
    variables: { title: taskTitle, tags }
  });

  return (
    <div className="recommendations">
      <h3>Similar tasks you might want to reference:</h3>
      {data.similarTasks.map(task => (
        <TaskCard key={task.id} task={task} />
      ))}

      <h3>Recommended experts:</h3>
      {data.experts.map(user => (
        <UserCard key={user.id} user={user} />
      ))}

      <h3>Related documents:</h3>
      {data.documents.map(doc => (
        <DocumentLink key={doc.id} doc={doc} />
      ))}
    </div>
  );
};

3.2 インサイトダッシュボード¶

query TaskInsights($taskId: ID!) {
  task(id: $taskId) {
    insights {
      # 類似タスクの平均完了時間
      estimatedDuration

      # よく一緒に完了されるタスク
      relatedTasks {
        task
        correlation
      }

      # このタスクに適したチームメンバー
      recommendedAssignees {
        user
        matchScore
        reason
      }

      # 参考になるドキュメント
      relevantDocuments {
        document
        relevanceScore
      }
    }
  }
}

4. グラフ構築パイプライン¶

4.1 データ同期¶

class GraphSyncPipeline:
    def sync_task(self, task):
        # タスクノードの作成/更新
        self.neo4j.run("""
            MERGE (t:Task {id: $id})
            SET t.title = $title,
                t.status = $status,
                t.updated_at = timestamp()
        """, id=task.id, title=task.title, status=task.status)

        # 関係の構築
        if task.assignee_id:
            self.create_assignment_relation(task.id, task.assignee_id)

        if task.tags:
            self.create_tag_relations(task.id, task.tags)

        # 類似度計算 (非同期)
        self.queue_similarity_calculation(task.id)

    def calculate_similarity(self, task_id):
        # TF-IDF, BERT embedding などで類似度計算
        similar_tasks = self.find_similar_tasks(task_id)

        for similar_task, score in similar_tasks:
            if score > 0.7:
                self.neo4j.run("""
                    MATCH (t1:Task {id: $id1})
                    MATCH (t2:Task {id: $id2})
                    MERGE (t1)-[r:RELATED_TO]-(t2)
                    SET r.similarity = $score
                """, id1=task_id, id2=similar_task, score=score)

5. パフォーマンス最適化¶

インデックス:

CREATE INDEX task_id FOR (t:Task) ON (t.id)
CREATE INDEX user_id FOR (u:User) ON (u.id)
CREATE INDEX tag_name FOR (tag:Tag) ON (tag.name)
CREATE FULLTEXT INDEX task_search FOR (t:Task) ON EACH [t.title, t.description]

キャッシュ戦略: - 推薦結果を Redis にキャッシュ (TTL: 1時間) - グラフクエリ結果のメモ化 - プリコンピュートされたランキング

6. 成功指標¶

メトリクス	目標
関連情報発見時間	12分 → 2分 (83%削減)
推薦受諾率	> 60%
ナレッジ再利用率	3倍向上
グラフクエリレイテンシ	< 100ms (P95)
ナレッジカバレッジ	> 80%

7. 実装計画¶

Phase 1 (Week 1-6): グラフ基盤構築¶

Neo4j セットアップ
データ同期パイプライン
基本的なクエリAPI

Phase 2 (Week 7-10): 推薦エンジン¶

類似度計算アルゴリズム
推薦API実装
A/Bテスト基盤

Phase 3 (Week 11-14): UI/UX¶

推薦ウィジェット
インサイトダッシュボード
フィードバックループ

関連ドキュメント: - Architecture - Data Pipeline - Neo4j Best Practices