22、graphRAG的原理及代码实战（3）基本原理介绍（下）

已于 2025-04-09 14:51:40 修改
阅读量931 收藏 14
点赞数 31
分类专栏： 大模型学习 文章标签： graphRAG 查询
于 2025-02-25 15:52:22 首次发布
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/Andy_shenzl/article/details/145777964
版权

graphRAG-查询

1、简介

在GraphRAG的查询阶段，核心任务是基于构建好的知识图谱来检索相关信息并生成回答。具体来说，查询阶段会利用之前在 索引阶段 构建的所有实体、关系和社区报告等信息，结合用户的查询请求，自动选择最相关的上下文，并通过大语言模型（如GPT等）生成智能化的回答。

GraphRAG检索方式有两种，本地搜索和全局搜索

  • 本地搜索：主要聚焦于回答与特定实体相关的问题，适用于需要理解输入文档中提到的特定实体细节的场景，比如查询 “洋甘菊的治疗特性是什么”，旨在从文档中提取与该特定实体紧密相关的信息。

  • 全局搜索：主

了解本专栏 订阅专栏 解锁全文 超级会员免费看
20、graphRAG的原理及代码实战（1）基本原理介绍（上）
Andy_shenzl的博客
02-07 1027
GraphRAG通过利用大模型从原始文本数据中提取知识图谱来满足跨上下文检索的需求。该知识图将信息表示为互连实体和关系的网络，与简单的文本片段相比，提供了更丰富的数据表示。这种结构化表示使 GraphRAG 能够擅长回答需要推理和连接不同信息的复杂问题。具体来看，GraphRAG 定义了一个标准化数据模型，整体框架由几个关键组件组成，分别用于表示文档、TextUnit、实体、关系和社区报告等实体。像传统RAG一样，GraphRAG 过程也涉及两个主要阶段：索引和查询。我们依次展开来进行讨论。
GraphRAG原理
最新发布
大模型研究中心
02-21 667
向量和图谱是两种重要的知识载体，当然大模型时代参数可能是更重要的载体，但是目前来讲太大了，暂时还没有端侧的有效模型可用。向量的神奇之处在于它们各自以编码形式捕获了其对应文本的本质，向量的价值更多体现在相似度计算上，也就是你需要确定一段文本与另一段文本的相似度时。但是，如果你想理解向量内部的含义、了解文本中表示的事物、洞察其与更大规模语境的关系，那使用向量表示法就无能为力了。
graphRAG原理解析——基于微软graphRAG+Neo4j llm-graph-builder
猫舍
08-26 2466
召回时，根据用户问题的embedding，在以下5个场景中检索素材，并最终将召回的素材和历史对话一起传给大模型，生成答案。召回时，根据用户问题的embedding，在以下5个场景中检索素材，并最终将召回的素材和历史对话一起传给大模型，生成答案。利用图数据库提供的快速检索能力，支持了向量 + 图检索的召回模式，也支持单纯的向量召回（传统的RAG模式）。利用图数据库提供的快速检索能力，支持了向量 + 图检索的召回模式，也支持单纯的向量召回（传统的RAG模式）。）有很多相似和同源之处，但也有很多的不同。
GraphRAG原理及部署实战
Langchain的博客
11-05 1833
RAG在大模型时代，被寄予了厚望，但在近一年多各大小公司的实施过程中，其效果远没有抖音中宣传的那么振奋人心，其原因是多方面的。
你想要的GraphRAG的内容都在这了
lqfarmer的博客
07-08 1331
如上图所示，GraphRAG包括两个处理阶段，分别是：索引阶段和查询阶段。索引阶段利用LLM来自动化构建知识图谱，提取出对应的节点（如实体）、边（如关系）和协变量（如主张，claim），然后利用社区发现技术（如Leiden算法）对整个知识图谱进行子图划分，然后自底而上对子图利用LLM进行摘要、总结。针对特定查询，“全局答案（Global Search）”汇总所有与之相关的社区摘要最后汇总生成答案。通过LLM对文档中的实体、关系、主张进行提取，本质上是对文档的一种抽象式摘要。
微软GraphRAG原理介绍（附带部分源码）
luxinfeng的博客
07-15 5420
这篇文章主要介绍了微软开源的GraphRAG的数据构建原理和查询检索原理
GraphRAG原理深入剖析-知识图谱构建
llm_way的博客
12-01 1415
GraphRAG（Graph Retrieval-Augmented Generation）是一种结合了知识图谱和图机器学习技术的新型检索增强生成模型，它的核心优势在于它能够将非结构化的文本数据转换为结构化的知识图谱，从而更高效地表示实体、关系及关键声明。通过知识图谱，GraphRAG能够提供更丰富的上下文信息，使LLM在回答复杂查询时能够更全面地理解问题，并生成更准确、更完整的答案。
21、graphRAG的原理及代码实战（2）基本原理介绍（中）
Andy_shenzl的博客
02-14 1278
前文中，graphRAG项目index索引建立完成后，会生成7个parquet文件。为什么用 Parquet 格式保存知识图谱？高效存储：知识图谱中的数据通常是结构化的，包含大量的实体、关系、嵌入等。Parquet 的列式存储能够显著减少磁盘占用，同时提高读取效率。快速读取：查询阶段需要快速加载实体、关系、嵌入等数据到内存中。Parquet 支持按需加载所需的列，避免了不必要的数据读取。
18、RAG的原理及代码实战（1）基本原理
Andy_shenzl的博客
02-05 1130
数据准备支持多种格式的数据，包括 PDF、TXT、Word（DOC）和 Markdown（MD）文件。这些文件是知识的来源。切分（Chunking）将这些文件中的内容进行切分，将大段的文本切割成较小的、易于处理的块。这些块将作为后续步骤的基础。Embedding Model（嵌入模型）使用嵌入模型将切分后的文本块转换为向量表示。这些向量能够在高维空间中表示文本的语义信息。查询向量（Query Vector）用户提出问题，这个问题同样通过嵌入模型转换为查询向量。
19、RAG的原理及代码实战（2）pipeline介绍
Andy_shenzl的博客
02-07 617
需要注意的是，在RAG检索时，所有切分的文本，不管其长度是多少，都会转换为一个词向量，也就是每一个切片是一个词向量表示。如果不方便注册openai模型时，可以考虑使用国内在线词向量模型，当然也可以使用ollama等工具部署本地的词向量模型。相似度计算是指使用查询向量在嵌入模型生成的向量空间中检索与问题最相关的文本块。有了向量表示后，需要使用向量来计算不同向量之间的相似度，计算的方法有很多，这里以余弦相似度为例来介绍。这里以硅基流动的在线模型为例，需要的也可以注册使用。编写获取向量之间相似度计算的函数。
技术动态 | 基于知识图谱的大模型检索增强实现策略：Graph RAG实现基本原理及优化思路...
开放知识图谱
09-25 2771
转载公众号 |老刘说NLP我们继续来谈谈知识库增强大模型问答的话题，今天学到一个新词，RAG（Retrieval-Augmented Generation），指的是通过 RAG 模型来对搜索结果进行增强的过程，这个就是我们一直说的外挂知识库。在之前的文章中我们介绍了llamaindex利用摘要索引进行增强的方案，但这些都是利用非结构化文本在做。最近看到一个工作很有趣，https://siwei...
全网最火的AI技术：GraphRag概念详解
热门推荐
百锦再的博客
09-06 3万+
检索增强生成是一种结合检索系统和生成模型的方法，通常用于问答系统、对话系统等场景中。传统的生成模型仅依赖于训练数据，模型在面对新问题或信息匮乏时会出现性能下降的问题。为了解决这一问题，RAG方法引入了检索机制：在生成过程中，模型会从外部数据库或文档中检索相关信息，然后将检索到的内容作为输入的一部分，结合上下文生成更精确的输出。RAG模型的关键优势在于，它能够结合静态模型的学习能力与动态的外部知识，尤其适合处理需要最新信息的任务。
探索 GraphRAG：图结构与生成式模型的融合
道长的博客
07-11 1247
在当今数据驱动的时代，处理和理解复杂的图结构数据成为了一项重要的任务。GraphRAG（Graph Retrieval-Augmented Generation）作为一种新兴的技术，为解决图相关的问题提供了创新的思路和方法。
GraphRAG = 知识图谱 + RAG，优化全局搜索+局部搜索，以及部署指南
Debroon
07-01 6453
基于社区的多层次摘要策略。类似于医学综述文章，从概括性的疾病描述到具体的治疗案例详细讲述，Graph RAG通过从不同层次生成摘要，提供从广泛到具体的多维度信息视角。之所以使用多层次的社区摘要生成，是因为不同层次的摘要可以满足从一般到特定的不同查询需求，提供不同深度的信息视角，帮助用户更好地理解复杂的医学问题。这些子解法形成了一种链条的逻辑链，每个子解法都依赖于前一个解法的输出作为其输入，形成一个高效、层次分明的查询和分析流程，类似于医学诊断和研究中的步骤分解和逐级深入的方法。
大模型与知识图谱的邂逅：GraphRAG技术揭秘
步子哥的博客
07-08 634
GraphRAG作为LLM的新搭档，展示了人工智能技术的无限可能。随着技术的不断发展，我们期待GraphRAG能够在更多领域展现其强大的能力，帮助我们更好地理解世界，解决问题。如果你对GraphRAG技术或者人工智能的其他方面感兴趣，欢迎继续关注和探索。人工智能的世界充满了惊喜，让我们一起见证它的成长和变革。希望这篇博客文章能够帮助你更直观地理解GraphRAG技术及其对人工智能领域的影响。如果你有任何问题或需要更多信息，请随时与我联系。
十大步骤分析GraphRAG的工作原理
1点25的博客
07-14 1866
第七步，社群检查，通过前面的步骤，可以从所有文本单元中抽取出所有的实体信息、关系信息、事件信息，社群检查就是利用这些信息将实体进行分类，比如周瑜和孙策属于吴国，曹操和司马懿属于魏国，刘备和关羽属于蜀国，而吴国、魏国、蜀国都属于东汉，其中东汉是一个大社群，魏蜀吴是三个小社群，当执行查询时，可以指定社区的级别，如果指定的是低级别社群，那么查找的结果就比较微观，比如问三国时期有哪些著名人物，如果指定的社群为吴国，那么匹配的就只有周瑜和孙策，如果指定的社群为东汉，那么就能找到更多的著名人物。
GraphRAG揭秘：一篇文章带你了解其原理及为何能在众多技术中脱颖而出
Everly_的博客
10-26 1106
GraphRAG 是 RAG 的高级版本，它结合了图结构数据。传统的知识库通常是由一组独立的文档组成的，每个文档之间没有显式的连接或关系。而在 GraphRAG 中，知识库被表示为一个由实体（例如人物、地点、事件等）和这些实体之间的关系组成的网络。这样，信息就不再是孤立存在的，而是通过这些关系相互连接和关联起来的。这种表示方法更能够反映现实世界中的复杂关联，使得系统可以更好地理解和利用这些信息。GraphRAG 是一种结构化、层次化的 RAG 方法。
什么是RAG？什么是GraphRAG？一文带你读懂知识库机器人原理，收藏这篇就够了
Javachichi的博客
01-26 874
知识库的整套技术在学术界有一个专业名词，叫RAG，即Retrieval-Augmented Generation，翻译成中文就是检索信息增强，是一种将信息检索机制与AI模型结合的创新方法。RAG还有一个通俗的叫法，叫外挂知识库。外挂的含义就是，和AI大模型是分离的。如果不分离，那就是模型微调了，又是另外一回事了。
graphrag原理
01-03
### GraphRAG 工作原理 #### 创建图结构 使用 GraphRAG 的应用程序首先需要构建一个知识图谱。这个过程涉及将数据源中的信息转换成节点和边的形式，形成复杂的关系网络[^3]。 ```python from graph_rag import KnowledgeGraphBuilder builder = KnowledgeGraphBuilder() knowledge_graph = builder.build_from_documents(documents) ``` #### 数据索引化处理 一旦完成了图的创建，下一步是对这些图形数据进行索引化处理以便于后续查询操作。这一步骤确保了即使面对大规模的数据集也能够高效执行检索任务[^1]。 #### 查询解析与扩展 当接收到用户的自然语言询问时，系统会先对其进行解析，识别其中的关键概念并将它们映射到已有的知识图谱当中去。通过这种方式可以更好地理解问句背后的意图以及上下文环境[^2]。 #### 结果生成 基于上述分析得到的信息，在知识图谱内寻找最匹配的回答路径，并利用机器学习模型自动生成最终回复内容给用户。这种方法不仅提高了答案的相关性和准确性，还使得整个交互体验更加流畅自然。
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

打赏作者

Andy_shenzl

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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