GRAG: 基于子图检索的 GraphRAG

最新推荐文章于 2025-06-02 16:08:05 发布
最新推荐文章于 2025-06-02 16:08:05 发布
阅读量1.1k 收藏 16
点赞数 14
文章标签： 语言模型 人工智能 自然语言处理 机器学习 数据库
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/Python_cocola/article/details/143061976
版权

今天为大家分享一篇提升GraphRAG检索精度的文章，该论文由埃默里大学发表。

GRAG: Graph Retrieval-Augmented Generation

在这里插入图片描述

论文地址：https://arxiv.org/pdf/2405.16506

论文概述

尽管检索增强生成（RAG）通过生成语言模型提升了响应的准确性和相关性，但在需要同时处理文本和拓扑信息的图结构场景中却显得不足。简单的RAG方法固有地忽略了文本图的结构复杂性，从而在生成过程中留下了关键缺陷。

为了解决这一问题，作者引入了图检索增强生成（GRAG），它通过强调子图结构的重要性显著提升了检索和生成过程。与仅专注于基于文本实体检索的RAG方法不同，GRAG高度重视图拓扑结构，这对于生成上下文和事实连贯的响应至关重要。

GRAG方法包括四个主要阶段：k-hop图（ego-graph）的索引、图检索、软剪枝以减轻无关实体的影响，以及基于剪枝后的文本子图生成。

GRAG的核心工作流是通过检索文本子图并进行软剪枝，能够有效识别相关的子图结构，同时避免了全面子图搜索（该搜索为NP难问题）带来的计算不可行性。

此外，作者提出了一种新的提示策略，能够无损地将文本子图转换为层次化的文本描述。在图多跳推理基准上的广泛实验表明，在需要对文本图进行多跳推理的场景中，GRAG方法显著优于当前最先进的RAG方法，并有效减少了虚假信息的产生。

核心内容

在这里插入图片描述

GRAG的架构如上图所示。具体可以分为四个阶段：

1. 索引与图检索：

索引 (Indexing)：在这个阶段，所有的k-hop图（ego-graph）会被嵌入为图嵌入（graph embeddings），这些图表示与文本相关的拓扑结构。k-hop图是从给定的中心节点开始，延伸到k跳范围内的节点和边。通过索引，这些图结构被高效存储，供后续检索使用。

图检索 (Graph Retrieval)：接下来，给定查询 q 后，系统会将查询向量与索引的图嵌入进行比较，选出与查询最相似的前N个子图。该过程使用余弦相似度来计算查询与图嵌入之间的匹配度。尽管已经选择了最相关的子图，但这些子图仍然可能包含无关的实体和边，这需要在后续阶段中处理。

2. 生成阶段：

生成 (Generation)：在生成阶段，剪枝后的会被转换为文本标记（text tokens），然后输入到大型语言模型（LLM）的嵌入层和注意力层中。图中的文本信息被编码为序列形式，进入生成模型来推理最终的答案。这一步生成的是结合了文本和拓扑结构的回答。

3. 软剪枝：

软剪枝 (Soft Pruning)：此阶段通过逐元素距离计算，裁剪出不相关的节点和边。系统会基于图节点和边的属性与查询的相关性，对节点和边进行缩放，从而实现节点和边的软剪枝。这个过程通过引入MLP（多层感知机）来进行节点和边的剪枝，确保剔除不相关的信息，但保留对回答有用的图结构。

4. 分层描述生成：

分层描述生成 (Hierarchical Description)：在最终阶段，剪枝后的子图会被转化为分层的文本描述。这些描述同时保留了文本和图的拓扑信息，形成层次化的结构，反映出图的多跳推理逻辑。通过这种分层策略，系统能够从子图中提取出结构化的文本信息，从而保证生成的回答既上下文连贯，又在图结构上保持一致。

总结

GRAG方法通过四个主要阶段有效地结合了图结构信息和文本信息：

  1. 索引与检索阶段关注从图中找到与查询相关的子图；

  2. 软剪枝阶段则去除与查询无关的图节点和边；

  3. 生成阶段将剪枝后的图转化为语言模型可处理的输入，进行最终答案生成；

  4. 分层描述生成通过层次化方式将图结构映射为文本，从而保留了拓扑与语义信息，确保生成的内容更具一致性和连贯性。

这个流程的设计特别适用于需要多跳推理的场景，确保生成的答案不仅在语义上准确，而且符合图结构中的推理逻辑。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

AI医疗系列之“MedGraphRAG”彻底改变了医学领域的人工智能 深入了解 RAG、GraphRAG 和 MedGraphRAG 的工作原理以及它们如何显著提高医学领域 LLM 响应的性能
iCloudEnd的博客
08-23 237
图形 RAG 或图形检索增强生成 (GRAG)通过合并知识图来扩展 RAG。虽然 RAG 本质上忽略了文本信息中的拓扑关系，但 GraphRAG 使得使用它成为可能。GRAG 的核心工作流程分为四个阶段：k 跳自我图的索引：此步骤涉及创建以每个节点（称为自我）为中心的可搜索子图，其中包括自我k步骤内的所有连接节点。图检索：此步骤从索引子图中检索给定查询最相关的自我图。软修剪：此步骤删除检索到的子图中不相关的实体，以减少它们对生成过程的影响。
GRAG: Graph Retrieval-Augmented Generation
Zjkorigin的博客
11-28 1201
在本节中，我们介绍 GRAG 的解决方案。如上图 (a) 所示，为了解决文本子图检索的挑战，我们提出了一种分而治之的策略。该策略基于以下假设：一个重要的子图由重要节点及其部分邻居组成。具体来说：我们首先搜索重要的自中心图（ego-graph）。然后将最相关的前 N 个自中心图合并，并通过**软剪枝操作（soft pruning）**减少冗余节点和边的影响，生成一个近似最优的子图结构。与直接子图搜索相比，我们的检索-剪枝方法将检索空间限制为 ∣V∣ 个自中心图，从而显著提高了效率。
【学习笔记】GRAG: Graph Retrieval-Augmented Generation
weixin_45838549的博客
11-16 1345
尤其是在不对 LLM 进行微调的情况下，通过生成检索到的文本子图的软提示（soft tokens），GRAG 显著优于微调过的 LLM，在所有指标和数据集上表现都更好。较大的模型（如 13B 参数的 llama2-13b-chat-hf）在图推理任务中的表现甚至可能不如较小的模型（如 7B 参数的 llama2-7b-chat-hf）GRAG 在一个大型数据集上训练后，能够在小型数据集上表现良好，说明 GRAG 具备一定的迁移能力，可以将学到的图编码能力应用于不同的数据集。在没有使用检索方法的情况下，
论文略读：GRAG:GraphRetrieval-Augmented Generation
qq_40206371的博客
11-08 391
202404 arxiv
为什么说知识图谱 + RAG ＞ 传统 RAG？
金融机器智能社区
07-23 1685
你是否曾觉得自己的大脑充斥了一团乱麻般的随机事实？知识图谱模拟了我们大脑思考事物，以及事物间关系的方式，同时又规避了大脑会遗忘和错误决策等问题。我们可以将知识图谱视为带了主语、谓语和宾语的三元组。它们将信息表示为一个由相互连接的实体组成的网络，以及实体之间的关系。本质上，知识图谱利用基于图的数据模型，其中节点代表实体（如人、地点或概念的主体和宾语），边表示这些实体之间的关系或谓语。OpenSPG 是一个语义增强的可编程知识图谱，GitHub地址如下，欢迎大家Star关注~
Big Model Weekly | 第24期
AITIME_HY的博客
06-08 914
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！01Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality虽然Transformer一直是深度学习在语言建模中取得成功的主要架构，但诸如Mamba之类的状态空间模型（SSM）最近在小到中...
GraphRAG的设计模式、挑战和改进思路
Hanscal
06-30 1135
通过探讨Graph RAG未来的优化与演进方向，总结了内容索引和检索生成阶段的不同改进思路，以及RAG向Agent架构的演化趋势。论文题目：GraphRAG: Design Patterns, Challenges, Recommendations论文链接：https://gradientflow.com/graphrag-design-patterns-challenges-recommendations/PS: 欢迎大家扫码关注公众号，我们一起在AI的世界中探索前行，期待共同进步！
RAG进阶形态之GraphRAG
大数据，大模型，服务器，技术、架构，方案
10-16 987
GraphRAG 是一种结合了知识图谱和检索增强生成技术的模型，它通过利用结构化的图谱数据来增强大型语言模型（LLM）在特定领域的问答和信息生成能力。
使用grag工具生成Domain
wudith的专栏
07-21 5096
一、GRAG简介：        GRAG (Grails Application Generator)是针对Grails framework 开发而使用的自由的域对象生成器。GRAG可以读取数据库中的表结构，并根据表结构生成Domain类。有了GRAG工具的帮助，可以很方便地兼容旧数据库。二、使用说明：1、运行~/grag1.1/bin/gui.bat，进入工具主窗体；2、配置数据库的连接(左侧的Datasource)；3、执行Database | Create connection命令，连接数据库；4、
技术动态 | 如何使用知识图谱改进RAG？
m0_59235699的博客
11-15 951
大型语言模型 （LLM）, 如 Llama 或 Gemini 根据广泛的训练数据生成文本。尽管 LLM 的功能令人印象深刻，但它们在企业知识检索方面存在一些限制：无法访问私人信息：LLM 接受过公开可用数据的培训，因此他们缺乏特定于公司的私人知识。1. 幻觉: 众所周知，LLM 经常产生合理但完全错误的反应，称为 “幻觉”。2. 静态知识: LLM 的知识是静态的，仅限于他们最近培训中包含的数据。这意味着 LLM 在生成文本方面非常出色，但在知识管理方面却很糟糕。
图检索增强生成--GRAG
weixin_35474374的博客
07-01 353
RAG（Retrieval-Augmented Generation）主要依赖于文本相似性进行实体检索，但在处理包含文本和拓扑信息的图结构时显得不足。GRAG旨在解决传统RAG方法在图结构文本中的不足。GRAG强调了子图结构的重要性，提升了检索和生成过程的效果，提高了多跳推理任务中的性能，并有效减少了“幻觉”（即生成错误信...
Github 2025-05-30Java开源项目日报Top10
老孙正经胡说
05-30 1750
根据Github Trendings的统计，今日(2025-05-30统计)共有10个项目上榜。
OpenCV CUDA模块直方图计算------在 GPU 上计算输入图像的直方图（histogram）函数histEven()
jndingxin的专栏
05-29 1544
该函数用于在 GPU 上计算输入图像的直方图（histogram）。它将像素值区间均匀划分为若干个 bin（桶），并统计每个 bin 中像素的数量。
Sentiment analysis integrating LangGraph and large-scale conceptual models
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
05-31 1582
基础单元：句子/评论/文档（如图中4条手机评论）。扩展单元：实体（如“相机”、“电池”）。关系类型构建规则示例实体共现两节点提及相同实体评论A和B都讨论“电池”语义相似概念向量余弦相似度 > 阈值两条夸“拍照效果”的评论句法依赖基于依存解析的语法关系评论中“电池”修饰“续航”工具NetworkX或PyG（Python库）。
【2025年5月】AI生产力再探再报：各家智能体持续内卷，前沿应用不断细分
Seon_Pan的记录库
06-02 1380
扣子空间、纳米AI超级搜索、Qwen3研究分析...6大AI比拼；MCPo、A2A...智能体框架再上一层楼！
一、OpenCV的基本操作
qq_48904748的博客
05-23 1593
OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。
【第4章 图像与视频】4.6 结合剪辑区域来绘制图像
奋斗的小猪
05-29 2034
本节将综合运用图像处理、离屏 canvas 以及剪辑区域等技术实现墨镜效果。
AI大模型赋能客服中心：实施路径与关键策略
2202_75469062的博客
05-29 1238
AI大模型正在重塑客户服务行业格局，为企业客服数字化转型提供创新解决方案。文章系统阐述了AI大模型在客服领域的完整应用路径：首先明确业务需求与量化目标，选择适配的AI模型；其次做好数据准备与系统集成，通过试点验证模型效能；然后持续优化训练，逐步扩大应用范围；最后建立长期运营机制。实施过程中需应对技术适配、品牌契合和成本控制等挑战，采用"敏捷试点、快速迭代"策略。通过科学的全生命周期管理，AI大模型可显著提升客服效率40%以上，降低运营成本30%，同时改善客户体验，实现服务数字化转型。
Python打卡DAY43
最新发布
m0_65171196的博客
06-02 392
kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。，该数据集分为六类，包含建筑、森林、冰川、山脉、海洋和街道。进阶：并拆分成多个文件。
使用克隆虚拟机时，虚拟机使用的是此版本 VMware Workstation 不支持的硬件版本。 模块“Upgrade”启动失败。 未能启动虚拟机。
04-03
<think>嗯，用户遇到了在使用VMware Workstation克隆虚拟机时出现的错误，提示硬件版本不支持，模块“Upgrade”启动失败，导致虚拟机无法启动。我需要先理解这个问题的根本原因，然后逐步分析解决方案。 首先，硬件版本的问题通常是因为克隆的虚拟机是在新版本的VMware中创建的，而当前使用的VMware版本较旧，无法支持该硬件版本。每个VMware版本都有对应的硬件版本号，例如VMware Workstation 16支持硬件版本17或更低。如果用户克隆的虚拟机硬件版本高于当前VMware支持的版本，就会报错。 接下来，用户看到的错误信息中提到了模块“Upgrade”启动失败，这可能是因为VMware尝试自动升级硬件版本但失败了，或者当前版本根本不支持该硬件版本，导致无法启动虚拟机。这时候需要检查当前VMware Workstation的版本，以及虚拟机的硬件版本是否兼容。 解决方案方面，首先想到的是升级VMware Workstation到最新版本，这样能够支持更高的硬件版本。如果用户无法升级，可能需要手动修改虚拟机的硬件版本，但这需要确保旧版本支持该硬件版本，否则可能仍有问题。 另外，用户可能不知道如何查看当前的硬件版本，需要指导他们找到虚拟机文件中的.vmx文件，查看virtualHW.version的值。同时，修改硬件版本后，可能会有兼容性问题，比如某些功能不可用，需要提醒用户注意备份。 还要考虑用户是否有权限修改虚拟机配置，或者虚拟机文件是否被其他进程占用导致无法修改。此外，如果用户使用的是快照或链接克隆，可能需要特别处理。 最后，总结解决步骤：确认版本、升级VMware或降级硬件版本，注意兼容性和备份。需要以清晰的中文步骤解释，避免技术术语过于复杂，让用户能逐步操作。</think>当你在VMware Workstation中克隆虚拟机遇到“硬件版本不支持”错误时，通常是由以下原因和解决方案构成： --- ### 一、问题根源分析 1. **硬件版本不匹配** VMware每个大版本对应特定的虚拟机硬件版本号（如Workstation 17支持硬件版本20）。若克隆的虚拟机硬件版本高于当前VMware版本支持的范围，就会触发此错误。 2. **克隆源的兼容性问题** 克隆操作可能继承原虚拟机的硬件版本，而旧版VMware无法解析新版硬件特性。 --- ### 二、解决步骤详解 #### 步骤1：确认当前环境版本 1. 检查你的VMware Workstation版本： - 打开VMware → 顶部菜单 **Help → About VMware Workstation** - 记录版本号（如`17.0.0`） 2. 查看虚拟机硬件版本： - 用文本编辑器打开虚拟机目录的`.vmx`文件 - 查找`virtualHW.version = "XX"`（XX为硬件版本号） > 📌 版本对照表示例： > VMware 16 → 硬件版本≤19 > VMware 17 → 硬件版本≤20 #### 步骤2：选择解决方案 **方案A：升级VMware Workstation（推荐）** 1. 访问[VMware官网](https://www.vmware.com)下载最新版 2. 安装后重启物理机 3. 重新打开虚拟机时会自动提示升级硬件版本 **方案B：手动降级硬件版本** 1. 关闭所有VMware进程 2. 备份虚拟机文件（重要！） 3. 修改`.vmx`文件中的`virtualHW.version`值为当前VMware支持的版本（如17→16） 4. 删除虚拟机目录中所有`.vmdk.lck`锁文件 5. 重新打开虚拟机时会提示确认硬件降级 --- ### 三、关键注意事项 1. **功能兼容性** 降级硬件版本可能导致部分新特性失效（如TPM2.0支持、虚拟USB3.1等） 2. **快照影响** 若虚拟机存在快照，需先合并快照再修改硬件版本 3. **跨版本克隆** 建议始终使用相同VMware版本进行克隆操作 --- ### 四、典型错误规避 1. 当看到`模块“Upgrade”启动失败`时： - 检查VMware服务是否正常（`services.msc`中`VMware Authorization Service`和`VMware NAT Service`需运行） 2. 若修改`.vmx`后仍报错： - 尝试删除虚拟机清单文件（`.vmxf`）并重新注册虚拟机 --- 通过以上操作，90%以上的硬件版本兼容性问题均可解决。如仍存在问题，建议提供具体的VMware版本和错误日志进一步分析。
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