详细内容或原文请订阅后点击阅览
GraphRAG 实际应用：从商业合同到动态问答代理
基于问题的提取方法在这篇博文中，我们介绍了一种利用图形检索增强生成 (GraphRAG) 方法的方法 — 以简化提取商业合同数据和构建问答代理的过程。这种方法与传统的 RAG（检索增强生成）不同，它强调数据提取的效率，而不是不加区分地分解和矢量化整个文档，这是主要的 RAG 方法。在传统的 RAG 中，每个文档都被分成块并进行矢量化以进行检索，这会导致大量不必要的数据被拆分、分块并存储在矢量索引中。然而，这里的重点是从每个合同中提取最相关的信息，以用于特定用例，即商业合同审查。然后将数据构建成知识图谱，该图谱组织关键实体和关系，从而允许通过 Cypher 查询和向量搜索进行更精确的图数据检索。通过最小化向量化内容的数量并专注于提取高度相关的知识，该方法提高了问答代理的准确性和性能，使其适合处理复杂和特定领域的问题。4 阶段方法包括：有针对性的信息提取（LLM + Prompt）以创建知识图谱（LLM + Neo4J）和一组简单的图数据检索函数（Cypher、Text to Cypher、Vector Search）。最后，利用数据的问答代理
来源:走向数据科学，但首先，对于我们这些不熟悉商业法的人，让我们从简短的合同审查问题简介开始。
合同审查和大型语言模型
商业合同审查是一个劳动密集型过程，涉及律师助理和初级律师，并精心识别合同中的关键信息。
“合同审查是彻底阅读合同，以了解个人或公司签署该合同并评估相关影响的权利和义务”。 Hendrycks，Burns等人，Neurips 2021，在CUAD中CUAD是由专家注册的NLP数据集用于法律合同审查
合同审查的第一阶段涉及审查数百页合同以查找相关条款或义务。合同审阅者必须确定是否存在相关条款，他们说的话是否存在，并跟踪描述的位置。
例如，他们必须确定合同是3年合同还是1年合同。他们必须确定合同的结束日期。他们必须确定一项条款是反分配还是排他性条款……” Hendrycks，Burns等人，Neurips 2021，在CUAD中，专家注销的NLP数据集用于法律合同审查
这是一项需要彻底性的任务，但通常患有低效率，但适合大型语言模型！
第一阶段完成后，高级法律从业人员可以开始检查弱点和风险的合同。这是一个由LLM提供动力并由知识图中存储的信息供电的问答代理商的领域，对于法律专家来说是一个完美的副本。
使用LLM，函数呼叫和GraphRag
该博客的其余部分将描述此过程中的每个步骤。一路上，我将使用代码片段来说明主要想法。
四个步骤是：
数据集：
a