本 tutorialでは、TopQuadrantのEDGとNeo4jを活用して、分類体系（taxonomy）を管理し、グラフベースの推薦エンジンを構築する方法を紹介する。EDGで作成・管理するSTEM分野の分類体系（例：数学ソフトウェア → コンピュータサイエンス → STEM）を、Neo4jに同期。これにより、学術論文のメタデータ（仮想データ）を分類し、関連性に基づく推薦が可能になる。 まず、EDGとNeo4jの無料トライアル版を取得。EDGはRDF/SHACLを用いた知識グラフ管理ツールで、分類体系の設計・変更が容易。Neo4jはラベル付きプロパティグラフ（LPG）ベースのデータベースで、高速なグラフ解析を実現。両者の統合により、EDGで管理するtaxonomyをNeo4jに自動同期できる。 ステップ1で、GitHubから提供されるSTEM分類体系をEDGにインポート。ステップ2で、EDGとNeo4jの接続設定を実施。ステップ3で、taxonomyをNeo4jにプッシュ。これにより、ノード（概念）と親子関係（BROADER）がNeo4jに反映される。 ステップ4で、仮想の学術論文15件をCSV形式でNeo4jにインポート。各論文は「topicUri」というフィールドでtaxonomyのURIを参照。ステップ5で、Cypherクエリを使って論文ノードと概念ノードを「TAGGED_WITH」関係で結ぶ。 ステップ6で、推薦機能を実装。特定の論文（例：『Mathematical Software』）がタグ付けされた概念の親概念（コンピュータサイエンス）に属する他の論文も推薦対象とする。Cypherクエリで、同じ親概念を持つ子概念にタグ付けされた他の論文を検索し、類似度スコアで並べ替え。結果として、「コンピュータと社会」などの関連分野の論文が推薦される。 最後に、taxonomyの変更を試す。EDGで「Mathematical Software」の親概念を「コンピュータサイエンス」から「数学」に変更。再同期後、推薦結果が「数学関連の論文」に切り替わる。これは、分類体系の変更が一括反映され、下流のアプリケーション（例：推薦エンジン）の再タグ付けが不要であることを示す。 このアーキテクチャの利点は、分類体系の変更が容易（変更1回で全アプリに反映）、複数システムとの整合性維持、推論能力の強化（親子関係から自動推論）にある。一方、学習コストやツールの多様性、ベンダーロックインのリスクも存在。 結論として、EDGとNeo4jの連携は、知識の構造化と動的拡張が可能な、スマートな推薦システムの基盤となる。特に、分類体系の変化に柔軟に対応できる点が、企業や研究機関のデータガバナンス・AI活用に有効。