详细内容或原文请订阅后点击阅览
Graph RAG 简介
利用图中隐藏的知识关系来提高基于 RAG 的 LLM 性能的关键
来源:KDnuggets检索增强生成 (RAG) 通过将外部信息检索机制集成到 LLM 的即时响应工作流程中，扩展了传统大型语言模型 (LLM) 的限制。借助 RAG，模型幻觉、知识过时以及需要定期以高成本重新训练 LLM 等问题可以得到一定程度的缓解。
可以在本文中找到 RAG 的详细介绍和动机，下图描述了一个基本的 RAG 方案。
本文这篇文章介绍了图形 RAG，这是经典 RAG 的进步，它使用图形结构来检索信息并捕获它们之间的关系。这种改进的检索方案进一步增强了 LLM 生成基于相互关联事实的上下文相关响应的能力，使其能够更有效地应对具有挑战性的用户查询。
什么是图？
简而言之，图是一种表示一组实体及其之间关系的数据结构。实体由节点表示，关系由连接节点的边表示。在知识库中，即 RAG 等信息检索机制使用的一组文档中，图可用于对相互关联的文档进行建模。考虑下面的示例图，它由有关光合作用这一生物现象的科学文档组成。如果节点表示单个文档，则边可以指示文档之间的引用、Web 文档中的链接等。简而言之，图结构适用于高效导航和分析一组相互关联的数据对象（如文档）。
实体及其之间的关系 节点 边