详细内容或原文请订阅后点击阅览
如何使用知识图谱和矢量数据库实现 Graph RAG
作者提供的图片关于实现检索增强生成 (RAG)、语义搜索和推荐的分步教程本教程的随附代码在此处。我的上一篇博客文章是关于如何在企业级一起实现知识图谱 (KG) 和大型语言模型 (LLM)。在那篇文章中，我介绍了 KG 和 LLM 目前交互的两种方式：LLM 作为构建 KG 的工具；以及 KG 作为 LLM 或 GenAI 应用程序的输入。下图显示了集成的两个方面以及人们将它们一起使用的不同方式。作者提供的图片在这篇文章中，我将重点介绍 KG 和 LLM 一起使用的一种流行方式：使用知识图谱的 RAG，有时称为 Graph RAG、GraphRAG、GRAG 或 Semantic RAG。检索增强生成 (RAG) 是关于检索相关信息以增强发送到 LLM 的提示，从而生成响应。这个想法是，与其将你的提示直接发送给没有经过你的数据训练的 LLM，不如用 LLM 准确回答你的提示所需的相关信息来补充你的提示。我在上一篇文章中使用的例子是将职位描述和我的简历复制到 ChatGPT 中以写一封求职信。如果我将我的简历和我申请的职位的描述提供给 LLM，它就能对我的提示“给我写一封求职信”做出更相关的回应。由于知识图谱是为了存储知识而构建的，因此它们是完美的
来源:走向数据科学如何使用知识图和矢量数据库实现图形抹布
一个逐步的教程，用于实施检索演示生成（抹布），语义搜索和建议
本教程的随附代码在这里。
本教程的随附代码是 在这里。我的最后一篇博客文章是关于如何在企业级别一起实现知识图（kgs）和大语言模型（LLMS）。在那篇文章中，我经历了KGS和LLM现在正在交互的两种方式：LLMS作为建造KGS的工具； kgs作为LLM或Genai应用的输入。下图显示了集成的两个侧面以及人们一起使用它们的不同方式。
上一篇博客文章在这篇文章中，我将重点介绍一种流行的kgs和llms使用：使用知识图，有时称为图形抹布，graphrag，grag或语义抹布。检索演示的生成（RAG）是关于检索相关信息以增强发送给LLM的提示，该提示会产生响应。这个想法是，您可以通过LLM准确地回答您的提示所需的相关信息来补充提示，而不是直接将您的提示发送给LLM（未经数据训练）。我在上一篇文章中使用的示例是复制职位描述，并将我的简历纳入Chatgpt，以写求职信。 LLM能够为我的提示提供更相关的回应，即“给我写求职信”，如果我给我简历以及我要申请的工作的描述。由于知识图是为存储知识而构建的，因此它们是存储内部数据并补充LLM提示的理想方法，并提高了其他上下文，从而提高了对响应的准确性和上下文理解。
图形抹布 GraphRag grag 语义抹布 检索 增强 生成 更多通常，使用kg进行抹布的检索部分有三种方法：
基于向量的检索： 提示检索： Hybrid（vector + sparql）： （混合） 这个 在这里 不是 “