LLM如何结合知识图谱进行RAG

最新推荐文章于 2025-05-01 22:59:55 发布
最新推荐文章于 2025-05-01 22:59:55 发布
阅读量840 收藏 11
点赞数 17
文章标签： 知识图谱 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_82452722/article/details/142598447
版权

图片

从RAG到GraphRAG：知识图谱如何提升大模型的检索与推理能力？

©作者|Zane

来源|神州问学

为什么需要知识图谱

在20世纪60年代末，数据库技术开始发展，在70年代数据库技术得到了迅猛的发展，成为了计算机科学的一个重要分支。在80年代时关系型数据模型就处于统治地位，而随着关系型数据库使用范围的不断扩大，也暴露出一些他始终无法解决的问题，其中最主要的是数据建模的一些缺陷和问题，以及在补数据量和多服务器上的如何进行伸缩。同时随着互联网的发展也产生了一些新的变化，而传统的关系型数据库就表现的不是很适应，而为了解决这些传统关系型数据库产生的新型数据库被称为NoSQL数据库。

NoSQL（Not Only SQl），是一类范围非常广发的数据库，他们不遵循关系型数据模型，也不使用SQL作为语言查询，而本次我们将主要关注NoSQL中的图数据库。而作为NoSQL的一种，可以看到在db-engines.com网站中图数据库从2013年开始图数据库的关注度就一直居高不下。

最低0.47元/天 解锁文章
神州问学
关注
基于llm+rag构建自己的知识图谱
xiaomu_347的博客
06-29 772
点击进去会有一个注册框，填写完成自己的信息之后会进入下载页面。同时需要注意保留页面左下角的激活码。按照下载页面的安装说明进行安装。这些数据库在存储和查询知识图谱数据时具有不同的特点和优势，选择适合自己需求的数据库取决于具体的应用场景和性能需求。至于llm和rag技术这里不做过多赘述，可以查看前面的学习笔记，下面主要介绍一下知识图谱，，密码在首次登录时设置。接下来就像mysql数据那样，可以直接通过Neo4j浏览器进行操作。在浏览器中打开Neo4j Web界面，并登录。而三元组是图中的基本数据单元。
Neo4j LLM 知识图谱构建器：如何为 RAG 创建知识图谱
iCloudEnd的博客
08-10 773
Neo4j是领先的图形数据库管理系统，而且是开源的。它旨在以高效的方式存储、管理和查询高度连接的数据。与传统的关系数据库不同，Neo4j 使用图形结构进行语义查询，这使得它对于涉及复杂关系和互连数据的应用程序特别有用 - 知识图谱就是一个典型的例子。Neo4j 的主要特点：原生图形存储： Neo4j 将数据存储在节点和关系中，比基于表的存储更直观地反映现实世界的连接。Cypher 查询语言： Neo4j 使用 Cypher，这是一种声明性图形查询语言，允许有效查询图形数据。
【知识图谱+RAG+LLM】知识图谱如何融入RAG？
m0_46686599的博客
09-06 272
知识图谱融入大模型面临的挑战：构造与真实性：如何构造知识图谱并确保信息的真实性。融合与应用：如何将知识图谱与大模型更好地融合，发挥各自的优势。结构化数据理解：如何让大模型更好地理解和利用知识图谱中的结构化信息。
知识图谱和RAG如何结合？
百态老人的博客
08-18 1058
从原始文本中提取知识图谱：GraphRAG首先将非结构化文档转换为结构化的知识图谱，这包括节点和关系的组织。构建社区层次结构：在知识图谱的基础上，GraphRAG进一步构建社区层次结构。这些社区是基于相似主题或内容的集合，有助于更好地理解和组织信息。为社区生成摘要：针对每个社区，GraphRAG会生成相应的摘要，以提供更高效、准确的信息检索和总结能力。利用RAG任务执行时的结构：在实际应用中，GraphRAG会在执行基于检索增强生成（RAG）的任务时利用这些社区层次结构和生成的摘要，从而提升整体性能。
LangChain - 构建知识图谱提升RAG
AI工程化、开源分享、文档翻译、代码笔记
05-22 2485
一、使用 Neo4j 和 LangChain 在 RAG 应用程序中构建和检索知识图谱信息的实用指南 二、创建知识图谱 Neo4j 环境设置 三、数据摄取 四、RAG 的混合检索 非结构化数据检索器 图检索器 最后的retriever 五、定义RAG链 六、总结
RAGOnMedicalKG：大模型结合知识图谱的RAG实现
AI相关从业分享
06-28 1405
该项目分两部分：基于垂直网站数据的医药知识图谱构建基于医药知识图谱的自动问答，基于LLM的方式step1: linking entity，针对问题进行实体识别，本项目采用基于ac自动机通过加载图谱词表进行匹配获得；step2：recall kg facts，通过上一步得到的多个实体，通过prompt的方式提示llm进行实体的意图识别，然后转换成cypher语句进行查询，并过滤兼枝，得到子图路径；
为什么说知识图谱 + RAG ＞ 传统 RAG？
2301_81940605的博客
01-18 939
本文从知识图谱的原理等角度，结合一个 GraphRAG 的生动类比，说明了为什么知识图谱+RAG 的方案优于传统的 RAG 方案。
论文学习：基于知识图谱的RAG进行客服问答
weixin_57128596的博客
06-29 1493
Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering（基于知识图谱的RAG进行客服问答）在客户服务技术支持中，迅速准确地检索相关的过往问题对于有效解决客户查询至关重要【1.前景提要】。在大型语言模型（LLMs）的检索增强生成（RAG）中，传统的检索方法将大量过往问题跟踪工单视为普通文本，忽略了关键的问题内部结构和问题间关系，从而限制了性能【2.老方法】。
【绝对通俗易懂】知识图谱增强 RAG 思路 和 实现方案
Debroon
09-23 2259
举例：在处理"类风湿性关节炎"和"骨关节炎"这两种常见的关节疾病时，Graph RAG 能准确识别它们在病因、发病机制和治疗方法上的本质区别，避免因表面症状相似而导致的误诊。在传统的语义搜索中，"心肌梗塞"与"胃溃疡"这两个看似风马牛不相及的疾病，可能因为都与"胸痛"这一症状相关而被错误地联系在一起。当你问"我最近头疼、肚子疼、还有点晕，这是怎么回事"时，管理员会从每个症状出发，分别去找可能的原因，给你一个全面的解释。如果能让AI理解医学信息就像经验丰富的医生一样全面和深入，那会是多么令人振奋的突破！
高压开关柜局部放电信号分析系统
m0_61057267的博客
04-28 1676
这个项目是我在2025年实现的高压开关柜局部放电信号分析系统，目的是通过采集分析局部放电信号，判断设备的工作状态和潜在故障。系统包含从信号模拟生成、特征提取、到深度学习模型训练的全流程，最终可自动生成分析报告。
远光软件发布九天 AI 应用开发平台，加速企业研发效能跃升
YG_JT的博客
04-30 318
4月25日，远光软件在“2025珠海软件产业年会暨AI技术赋能行业发展交流会”上以虚拟直播方式发布了远光九天AI应用开发平台。
Python项目--基于计算机视觉的手势识别控制系统
exlink2012的专栏
04-23 3233
随着人机交互技术的快速发展，传统的键盘、鼠标等输入设备已经不能满足人们对自然、直观交互的需求。手势识别作为一种非接触式的人机交互方式，具有操作自然、交互直观的特点，在智能家居、游戏控制、虚拟现实等领域有着广泛的应用前景。 本项目旨在开发一个基于计算机视觉的手势识别控制系统，通过摄像头捕获用户的手部动作，实时识别手势类型，并将识别结果转化为相应的控制命令，实现对计算机或其他设备的非接触式控制。
存算一体架构下的新型AI加速范式：从Samsung HBM-PIM看近内存计算趋势
高效做AI，就上Aladdin! 同学们用得起的H卡算力平台。
05-01 802
存算一体不是简单的技术改良，而是对计算本质的重新思考。当HBM-PIM将能效边界推向10 TFLOPS/W，我们正站在架构革命的临界点。这场变革的终极目标，是让计算回归数据本源——‌在比特诞生的地方处理比特‌。本文实验数据基于Samsung Aquabolt-XL HBM-PIM实测，更多技术细节请参考ISSCC 2023论文《A 1ynm 16Gb 4.8TFLOPS/W HBM-PIM with Bank-Level Programmable AI Engines》。
花费7元训练自己的GPT 2模型
04-28 1217
在上一篇博客中，我介绍了用Tensorflow来重现GPT 1的模型和训练的过程。这次我打算用Pytorch来重现GPT 2的模型并从头进行训练。GPT 2的模型相比GPT 1的改进并不多，主要在以下方面：1. GPT 2把layer normalization放在每个decoder block的前面。2. 最终的decoder block之后额外添加了一个layer normalization。3. 残差层的参数初始化根据网络深度进行调节。
【现代深度学习技术】循环神经网络07：通过时间反向传播
Morse_Chen的博客
04-28 1309
本文讲解循环神经网络的通过时间反向传播。RNN梯度分析及BPTT是理解其原理的关键，通过深入分析RNN的梯度计算过程，我们可以更好地理解梯度爆炸和梯度消失的问题，BPTT可有效训练RNN捕捉序列依赖。
操作系统级竞争开启：AI Agent 能否成为人形机器人爆发的奇点？
望获实时Linux系统
04-30 981
本文深入探讨了在人形机器人产业从“机械执行”向“自主决策”跃迁的背景下，实时操作系统（RTOS）与AI Agent融合对突破物理世界响应极限的关键作用，重点分析了望获实时Linux等国产RTOS的技术优势及其在不同领域的应用前景，同时客观阐述了产业面临的挑战与机遇，旨在为相关领域的学术研究和产业发展提供参考与借鉴。
生产级RAG系统一些经验总结
最新发布
yanqianglifei的专栏
05-01 379
可能需要修剪或总结它们。一种常见方法是先检索，然后运行较小的语言模型或启发式算法，将每个检索到的文档总结为一段话，然后将这些摘要输入最终的语言模型。这有时被称为上下文压缩或自适应上下文。LlamaIndex等工具可以自动执行第二阶段，使用语言模型在最终答案之前将初始检索集压缩成更短的形式。仅在绝对需要时使用此方法，因为任何摘要都是额外的生成步骤，可能会引入自己的错误。随着2025年16k+标记模型的出现，如果适合，许多RAG系统尝试只提供原始文本，因为这保留了最大的细节。
GroundVLP论文精读
记录知识，分享知识
04-27 756
视觉定位是一项关键的视觉-语言任务，要求模型根据查询捕捉视觉上下文中的对象及其空间和属性信息。然而，由于视觉接地任务的标注数据受限于耗时且劳动密集的标注过程，导致训练模型的泛化能力受限，难以应对更广泛的领域。为解决这一挑战，我们提出了 GroundVLP，一种简单但有效的零样本方法，利用从图像-文本对和纯对象检测数据中获取的视觉接地能力，这两者相比视觉接地标注数据更易获取且覆盖更广的领域。GroundVLP 提出了一种融合机制，结合 GradCAM 的热图和开放词汇检测器的对象提议。
LabVIEW圆锥滚子视觉检测系统
bjcyck的博客
04-24 748
软件方面，采用LabVIEW和Vision Development Module进行图像处理和分析，软件架构设计以模块化为原则，便于后续的维护和升级。通过高效的硬件选型和优化的软件算法，系统能够快速准确地完成图像的采集、处理和分析。本视觉检测系统不仅提高了生产效率，还通过自动化检测显著提升了产品的一致性和质量。未来，该系统还可以根据具体的生产需求进行调整和优化，以适应更多的生产环境。通过集成高分辨率摄像头和先进的图像处理算法，系统能够自动识别和分类产品缺陷，从而减少人工检查需求，提高检测的准确性和速度。
RAG+知识图谱+LLM 代码实现
03-15
### 关于RAG检索增强生成、知识图谱和大型语言模型（LLM）的代码实现 #### 背景介绍 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索模块和生成模块的方法，能够有效利用外部知识库来提升生成质量。通过引入知识图谱作为外部知识源，可以进一步提高系统的语义理解和推理能力[^2]。 以下是基于Hugging Face Transformers和Haystack框架的一个简单示例，展示如何将RAG与知识图谱结合起来应用于实际场景： --- #### 实现步骤概述 1. **加载预训练的语言模型** 使用Hugging Face Transformers中的`T5`或`BART`等模型作为基础生成器。 2. **集成检索模块** 利用Haystack框架搭建一个文档存储和检索系统，该系统可以从知识图谱中提取结构化数据并将其转化为自然语言形式供模型使用。 3. **融合生成与检索结果** 将检索到的相关信息输入给生成模型，从而让其具备更强的事实依据支持下的文本生产能力。 --- #### 示例代码 下面是一个简单的Python脚本，演示如何设置这样的环境以及执行基本操作： ```python from transformers import pipeline, TFAutoModelForSeq2SeqLM, AutoTokenizer from haystack.document_stores import InMemoryDocumentStore from haystack.nodes import BM25Retriever from haystack.pipelines import ExtractiveQAPipeline # 初始化 Haystack 文档存储 document_store = InMemoryDocumentStore() document_store.write_documents([ {"content": "Graph RAG combines the power of knowledge graphs with retrieval-augmented generation."}, {"content": "Knowledge graphs provide structured data that can be used to enhance model understanding."} ]) # 设置检索器 retriever = BM25Retriever(document_store=document_store) # 加载生成模型 (这里以 T5 为例) model_name = "t5-small" generator_model = TFAutoModelForSeq2SeqLM.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretrained(model_name) def generate_with_rag(query): # 检索相关文档 retrieved_docs = retriever.retrieve(query=query, top_k=2) context = "\n".join([doc.content for doc in retrieved_docs]) # 构建提示词 input_text = f"question: {query} context: {context}" inputs = tokenizer(input_text, return_tensors="tf", truncation=True, padding=True) # 进行生成 outputs = generator_model.generate(inputs["input_ids"], max_length=50) answer = tokenizer.decode(outputs[0], skip_special_tokens=True) return answer # 测试函数 if __name__ == "__main__": query = "What is Graph RAG?" result = generate_with_rag(query) print(f"Query: {query}\nAnswer: {result}") ``` 上述代码展示了如何创建一个小型的知识库，并通过BM25算法从中获取最相关的条目；之后这些条目被传递至T5模型来进行最终的回答生成过程[^3]。 --- #### 技术细节说明 - **知识图谱的作用**：在更复杂的部署环境中，可以通过像Neo4j这样的图形数据库管理大规模的关系型数据集，再经由特定接口转换成适合机器学习处理的形式。 - **性能优化建议**：对于工业级应用来说，可能还需要考虑缓存机制减少重复计算开销等问题。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值