Knowledge graphs and large language models for explainable, reliable, and efficient complex data management and retrieval

Abstract

Modern data ecosystems are dominated by complex, large-scale, and highly interconnected information, yet most organisations still manage and retrieve this data through siloed systems or structurally opaque Artificial Intelligence (AI) models. Structured technologies such as databases and standalone knowledge graphs (KGs) provide reliability and precision, but struggle to cope with multimodal, rapidly evolving data and with natural-language access. Conversely, Large Language Models (LLMs) offer flexible semantic reasoning and fluent interaction, but their internalized knowledge is opaque, hard to update, and prone to hallucinations, making them difficult to trust in high-stakes settings. This thesis addresses the resulting core problem: how to design explainable, reliable, and efficient methods for complex data management and retrieval by tightly integrating knowledge graphs and LLMs. Using sustainable development and climate-change data as a demanding application domain, the work investigates how graph-based modelling and multimodal integration, combined with KG-grounded, agentic LLMs, can turn fragmented data into grounded, traceable, and reusable knowledge. To tackle this problem, the thesis first develops a principled Labeled Property Graph (LPG)-based KG engineering methodology and instantiates it in SustainGraph, a large-scale KG for sustainable development and climate change. SustainGraph models the multi-level governance and data landscape around the United Nations (UN) Sustainable Development Goals (SDGs), the European Green Deal, national commitments, and contextual socio-economic and environmental indicators. A modular multimodal integration pipeline harmonises temporal, spatial, and textual data from heterogeneous providers (e.g., UN SDG database, Eurostat, Copernicus, World Bank) into a unified graph representation, covering time-series indicators, geospatial data, and policy documents. This pipeline includes schema design, semantic alignment, geospatial upscaling strategies, and automated, workflow-based graph population, yielding a Findable, Accessible, Interoperable, Reusable (FAIR)-compliant, incrementally maintainable KG that serves as a reliable backbone for downstream analytics and LLM-based retrieval.Building on this infrastructure, the thesis introduces two large-scale analytical frameworks that demonstrate how KG-based modelling can support robust, reproducible reasoning over complex sustainability data. The first framework analyses interlinkages, synergies, and trade-offs among SDG indicators across national and regional spatial resolutions by automatically selecting sufficiently supported time windows, performing correlation-based network analysis, and reintegrating the discovered SDG goal–goal and indicator-indicator relations back into SustainGraph. The second proposes an open, interoperable climate change vulnerability assessment framework that leverages the KG to curate indicators across social, economic, environmental, and political dimensions, perform systematic data quality assessment and imputation, and compute multi-level, hazard-independent vulnerability indices from country to city scale. Both frameworks are implemented and evaluated on real European data, resulting in interpretable maps, clusters, and sensitivity analyses that reveal critical patterns in SDG interdependencies and regional vulnerabilities. To address the limitations of natural language access to these complex structures, the thesis introduces three tightly coupled contributions. First, CyVer, a deterministic, multi-level Cypher query validation library, decomposes query assessment into syntactic, structural, and property-level dimensions, producing structured, interpretable error metadata that precisely identifies not only whether a generated query is incorrect, but where and why it fails — a diagnostic capability that standard text similarity metrics systematically cannot provide. Second, building on CyVer, the thesis introduces a Metric-Based LLM Evaluation Framework that conducts a comprehensive benchmarking study across thirteen models of varying scale and architecture, combining CyVer's validation scores with execution-based and similarity metrics into a unified, multi-dimensional assessment protocol. This framework establishes that model scale alone is not a reliable predictor of Text-to-Cypher reliability, that failure modes differ qualitatively between smaller and larger models, and that schema representation format is a significant and underappreciated determinant of query generation quality. Third, CyVerACT, an agentic Text-to-Cypher workflow, closes the loop by moving beyond single-shot generation toward an iterative, self-correcting paradigm. By exploiting CyVer's structured error metadata as a deterministic feedback signal within a closed refinement loop augmented by dynamic schema filtering, CyVerACT enables models to progressively resolve query errors across successive iterations without reliance on human annotation or model fine-tuning. Crucially, grounding the feedback loop in deterministic, rule-based validation rather than stochastic LLM-based assessment proves essential: CyVerACT consistently outperforms both single-shot generation and iterative agentic workflows that rely on LLM-as-a-judge evaluation across all evaluated models and benchmark datasets. These results demonstrate that agentic refinement grounded in deterministic validation is a scalable and accessible pathway to high-fidelity KG query generation — one that allows open-source models to match or exceed the performance of frontier proprietary systems. Taken together, the contributions of this thesis establish a coherent, end-to-end architecture for knowledge-grounded data management: from principled KG engineering and multimodal integration, through reproducible large-scale analytics, to interpretable and auditable natural language querying. Across all layers, explainability is embedded by design — construction pipelines are traceable and schema-validated, analytical results are reproducible and sensitivity-tested, and query generation is governed by deterministic, inspectable correction logic rather than opaque model internals. This thesis thus demonstrates that the tension between the flexibility of LLMs and the rigour of structured knowledge representations is not irresolvable: through tight, principled integration, the two paradigms are mutually reinforcing, and together constitute a reliable, explainable foundation for evidence-based decision-making in complex, data-intensive domains.

Τα σύγχρονα οικοσυστήματα δεδομένων χαρακτηρίζονται από πολύπλοκη, μεγάλης κλίμακας και ιδιαίτερα διασυνδεδεμένη πληροφορία, ωστόσο οι περισσότεροι οργανισμοί εξακολουθούν να διαχειρίζονται και να ανακτούν τα δεδομένα αυτά μέσω κλειστών, μη διαλειτουργικών συστημάτων ή δομικά αδιαφανών μοντέλων Τεχνητής Νοημοσύνης (ΤΝ). Οι δομημένες τεχνολογίες, όπως οι βάσεις δεδομένων και οι γράφοι γνώσης, παρέχουν αξιοπιστία και ακρίβεια, αλλά δυσκολεύονται να ανταπεξέλθουν στη διαχείριση πολυτροπικών, ταχέως μεταβαλλόμενων δεδομένων και στην πρόσβαση σε αυτά μέσω φυσικής γλώσσας. Αντίθετα, τα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ) επιτρέπουν ευέλικτη σημασιολογική επεξεργασία και ομαλή αλληλεπίδραση με τον χρήστη. Ωστόσο, η γνώση που έχουν εσωτερικεύσει παραμένει αδιαφανής, δύσκολα ενημερώσιμη και επιρρεπής σε παραγωγή ανακριβούς περιεχομένου, γεγονός που τα καθιστά αναξιόπιστα σε εφαρμογές υψηλής κρισιμότητας. Η παρούσα διατριβή αντιμετωπίζει το θεμελιώδες ζήτημα που προκύπτει: πώς να σχεδιαστούν ερμηνεύσιμες, αξιόπιστες και αποδοτικές μέθοδοι για τη διαχείριση και ανάκτηση σύνθετων δεδομένων μέσω της συνδυαστικής αξιοποίησης γράφων γνώσης και ΜΓΜ. Χρησιμοποιώντας δεδομένα βιώσιμης ανάπτυξης και κλιματικής αλλαγής ως απαιτητικό πεδίο εφαρμογής, διερευνάται πώς η μοντελοποίηση βάσει γράφων και η ενοποίηση πολυτροπικών δεδομένων, σε συνδυασμό με τα ΜΓΜ αυτόνομης δράσης ως πράκτορες ΤΝ που αξιοποιούν γράφους γνώσης, μπορούν να μετατρέψουν κατακερματισμένα δεδομένα σε τεκμηριωμένη, ιχνηλάσιμη και επαναχρησιμοποιήσιμη γνώση. Για την αντιμετώπιση αυτού του ζητήματος, η διατριβή αναπτύσσει αρχικά μια συστηματική μεθοδολογία ανάπτυξης γράφων γνώσης τύπου Επισημασμένου Γράφου Γνώσης (Labeled Property Graph) και την υλοποιεί στο SustainGraph, έναν γράφο γνώσης μεγάλης κλίμακας για τη βιώσιμη ανάπτυξη και την κλιματική αλλαγή. Το SustainGraph αποτυπώνει το πολυεπίπεδο τοπίο διακυβέρνησης και δεδομένων γύρω από τους Στόχους Βιώσιμης Ανάπτυξης (ΣΒΑ) των Ηνωμένων Εθνών, την Ευρωπαϊκή Πράσινη Συμφωνία, τις εθνικές δεσμεύσεις και τους σχετικούς κοινωνικοοικονομικούς και περιβαλλοντικούς δείκτες. Ένα αρθρωτό σύστημα ενσωμάτωσης πολυτροπικών δεδομένων εναρμονίζει χρονικά και χωρικά δεδομένα αλλά και κείμενα από ετερογενείς παρόχους, όπως η βάση δεδομένων ΣΒΑ του ΟΗΕ, η Eurostat, το Copernicus και η Παγκόσμια Τράπεζα, σε μια ενιαία αναπαράσταση σε γράφο, καλύπτοντας χρονοσειρές δεικτών, γεωχωρικά δεδομένα και έγγραφα πολιτικής. Η διαδικασία αυτή περιλαμβάνει το σχεδιασμό ενός ενιαίου σχήματος αναπαράστασης, τη σημασιολογική εναρμόνιση των δεδομένων και στρατηγικές ανακλιμάκωσης γεωχωρικών δεδομένων. Επιπλέον, υποστηρίζει τον αυτοματοποιημένο εμπλουτισμό του γράφου μέσω εξειδικευμένων ροών εργασίας. Το αποτέλεσμα είναι ένας γράφος γνώσης συμβατός με τις αρχές FAIR (Εντοπίσιμα (Findable), Προσβάσιμα(Accessible), Διαλειτουργικά (Interoperable) και Επαναχρησιμοποιήσιμα (Reusable) Δεδομένα), ο οποίος μπορεί να συντηρείται επαυξητικά και να λειτουργεί ως αξιόπιστο υπόβαθρο για αναλύσεις και ανάκτηση δεδομένων μέσω ΜΓΜ. Αξιοποιώντας την παραπάνω υποδομή, η διατριβή εισάγει δύο αναλυτικές μεθόδους μεγάλης κλίμακας που αναδεικνύουν πώς η μοντελοποίηση βάσει γράφων γνώσης μπορεί να υποστηρίξει αξιόπιστη ανάλυση και εξαγωγή συμπερασμάτων από σύνθετα δεδομένα βιωσιμότητας. Η πρώτη αναλύει διασυνδέσεις, συνέργειες και αντισταθμίσεις μεταξύ δεικτών ΣΒΑ σε εθνική και περιφερειακή κλίμακα, επιλέγοντας με αυτόματο τρόπο χρονικά παράθυρα με επαρκή κάλυψη δεδομένων, εκτελώντας ανάλυση βάσει συσχετίσεων και επανεντάσσοντας τις νέες σχέσεις που προκύπτουν μεταξύ στόχων και μεταξύ δεικτών στο SustainGraph. Η δεύτερη προτείνει ένα ανοιχτό και διαλειτουργικό πλαίσιο αξιολόγησης ευαλωτότητας στην κλιματική αλλαγή. Το πλαίσιο αυτό αξιοποιεί τον γράφο γνώσης για την επιλογή δεικτών κατά κοινωνικές, οικονομικές, περιβαλλοντικές και πολιτικές διαστάσεις, τη συστηματική αξιολόγηση ποιότητας, την αντιμετώπιση και διαχείριση ελλιπών τιμών στα δεδομένα και τον υπολογισμό πολυεπίπεδων δεικτών ευαλωτότητας ανεξάρτητων από συγκεκριμένο τύπο κινδύνου, από εθνικό έως αστικό επίπεδο. Και οι δύο μέθοδοι υλοποιούνται και αξιολογούνται σε πραγματικά ευρωπαϊκά δεδομένα, παράγοντας ερμηνεύσιμους χάρτες, εντοπίζοντας κρίσιμα μοτίβα στις αλληλεξαρτήσεις των ΣΒΑ και στις ευαλωτότητες των περιοχών. Για να αντιμετωπιστούν οι περιορισμοί στην πρόσβαση με φυσική γλώσσα σε αυτές τις σύνθετες δομές, η διατριβή εισάγει τρεις αλληλένδετες συνεισφορές. Πρώτον, το εργαλείο CyVer αποτελεί μια βιβλιοθήκη επαλήθευσης ερωτημάτων Cypher που προσφέρει ντετερμινιστική ανάλυση και επικύρωση κάθε ερωτήματος ως προς τη συντακτική του ορθότητα και τη συμμόρφωσή του με το σχήμα του γράφου γνώσης. Παράγει δομημένα και ερμηνεύσιμα μεταδεδομένα σφαλμάτων, τα οποία προσδιορίζουν με ακρίβεια όχι μόνο αν ένα παραγόμενο ερώτημα είναι λανθασμένο, αλλά και το σημείο και την αιτία της αποτυχίας του. Η δυνατότητα αυτή παρέχει διαγνωστική πληροφορία που οι συμβατικές μετρικές ομοιότητας κειμένου δεν μπορούν να προσφέρουν. Δεύτερον, αξιοποιώντας το εργαλείο CyVer, η διατριβή εισάγει μια συστηματική αξιολόγηση ΜΓΜ βάσει μετρικών. Η αξιολόγηση πραγματοποιείται σε δεκατρία μοντέλα διαφορετικής κλίμακας και αρχιτεκτονικής, συνδυάζοντας τις βαθμολογίες επαλήθευσης του εργαλείου CyVer με μετρικές εκτέλεσης και ομοιότητας σε ένα ενιαίο, πολυδιάστατο πρωτόκολλο αξιολόγησης. Το πλαίσιο αυτό αναδεικνύει ότι η κλίμακα μοντέλου δεν αποτελεί αξιόπιστο κριτήριο πρόβλεψης της αποτελεσματικότητας στη μετατροπή φυσικής γλώσσας σε γλώσσα ερωτημάτων για γράφους δεδομένων (Text-to-Cypher), ότι τα μοτίβα σφαλμάτων διαφέρουν ποιοτικά μεταξύ μικρότερων και μεγαλύτερων μοντέλων, και ότι ο τρόπος αναπαράστασης του σχήματος του γράφου γνώσης αποτελεί καθοριστικό παράγοντα για την ποιότητα παραγωγής ερωτημάτων. Τρίτον, το CyVerACT αποτελεί ένα πρακτορικό σύστημα για τη μετατροπή φυσικής γλώσσας σε ερωτήματα Cypher, μεταβαίνοντας από τη μονοβηματική παραγωγή σε ένα επαναληπτικό, αυτο-διορθούμενο υπόδειγμα. Αξιοποιεί τα μεταδεδομένα σφαλμάτων του εργαλείου CyVer ως ντετερμινιστικό σήμα ανατροφοδότησης μέσα σε έναν επαναληπτικό βρόχο διόρθωσης, ο οποίος ενσωματώνει και δυναμικό φιλτράρισμα του σχήματος του γράφου γνώσης. Με αυτό τον τρόπο επιτρέπει στα μοντέλα να επιλύουν προοδευτικά σφάλματα ερωτημάτων κατά τη διάρκεια διαδοχικών επαναλήψεων, χωρίς ανθρώπινη επισημείωση ή εξειδικευμένη εκπαίδευση. Αντί για στοχαστική αυτο-αξιολόγηση από γλωσσικό μοντέλο, η ανατροφοδότηση βασίζεται σε ντετερμινιστικούς κανόνες επικύρωσης που λαμβάνουν υπόψη και την εκτελεσιμότητα του παραγόμενου ερωτήματος. Το σύστημα υπερτερεί σταθερά έναντι τόσο των προσεγγίσεων με μονοβηματική παραγωγή ερωτημάτων από ΜΓΜ όσο και πρακτορικών συστημάτων που βασίζονται στην αξιολόγηση από τα ίδια τα ΜΓΜ υποστηριζόμενα από αυτόνομη επαναληπτική βελτίωση, αναδεικνύοντας ότι ανοιχτά μοντέλα υποστηριζόμενα από πρακτορική επαναληπτική βελτίωση μπορούν να προσεγγίσουν ή να υπερβούν κορυφαία ιδιόκτητα μοντέλα, χωρίς εξειδικευμένη εκπαίδευση. Συνολικά, οι συνεισφορές της παρούσας διατριβής θεμελιώνουν μια συνεκτική, ολοκληρωμένη αρχιτεκτονική για τη διαχείριση δεδομένων μέσω γράφων γνώσης και γλωσσικών μοντέλων: από την κατασκευή γράφων γνώσης και την ενσωμάτωση πολυτροπικών δεδομένων, στις αναλύσεις δεδομένων μεγάλης κλίμακας, έως την ερμηνεύσιμη πρόσβαση μέσω φυσικής γλώσσας. Σε κάθε επίπεδο της αρχιτεκτονικής, η διαφάνεια και η ερμηνευσιμότητα αποτελούν κεντρική αρχή σχεδιασμού. Οι διαδικασίες κατασκευής είναι ιχνηλάσιμες και επικυρωμένες ως προς το σχήμα, ενώ τα αποτελέσματα των αναλύσεων μπορούν να αναπαραχθούν. Παράλληλα, η παραγωγή ερωτημάτων διέπεται από ντετερμινιστική λογική διόρθωσης που προσφέρει δυνατότητα επιθεώρησης σφαλμάτων, και όχι από αδιαφανείς εσωτερικούς μηχανισμούς μοντέλων. Η παρούσα διατριβή καταδεικνύει έτσι ότι η φαινομενική αντίθεση μεταξύ της ευελιξίας των ΜΓΜ και της αυστηρότητας των δομημένων αναπαραστάσεων γνώσης δεν είναι ανυπέρβλητη: τα δύο παραδείγματα αλληλοενισχύονται και αποτελούν από κοινού αξιόπιστο, ερμηνεύσιμο θεμέλιο για τεκμηριωμένη λήψη αποφάσεων σε σύνθετα, δεδομενο-κεντρικά πεδία.