From Local to Global: A Graph RAG Approach to Query-Focused Summarization

最新推荐文章于 2025-06-13 13:52:02 发布
最新推荐文章于 2025-06-13 13:52:02 发布
阅读量285 收藏
点赞数 1
文章标签： 知识图谱 自然语言处理 人工智能 chatgpt
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/csdn_karsa/article/details/141192274
版权
csdn_karsa
关注
Graph RAG——从局部到全局实现高效查询摘要（QFS）
qq_52053775的博客
07-14 604
在现代信息处理技术的广袤领域中，检索增强生成（RAG）技术已成为从外部知识源检索相关信息的重要工具，使得大型语言模型（LLM）能够有效回答涉及私人或未见过的文档集合的查询。然而，在应对全局性查询时，RAG技术的效能受限。例如，当用户提出“数据集中的主要主题是什么？”此类问题时，便需要一种能够综合整个文本语料库信息的解决方案，这构成了查询聚焦的摘要（QFS）任务的核心。传统QFS方法在处理大规模文本时面临扩展性挑战，难以有效应对RAG系统所需的海量文本处理需求。
Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
南七小僧的学海无涯
08-09 913
RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的RAG问答链路。增强训练REALM引入了知识检索器增强大模型预训练，以改进大模型的问答质量和可解释性。增强微调RA-DIT实现了对大模型和检索器的双指令微调，RAFT。
LLMs之GraphRAG：《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
05-17 8272
1 Introduction介绍人类在各个领域进行的活动依赖于我们阅读和推理大量文档的能力，常常得出超出源文本本身的结论。随着大型语言模型（LLMs）的出现，我们已经见证了在科学发现(Mi-crosoft, 2023)和情报分析(Ranade和Joshi, 2023)等复杂领域自动化类人语义构建的尝试，其中语义构建被定义为“一种有动机的、持续的努力，以理解联系(可以是人、地点和事件之间的联系)，以便预测它们的轨迹并有效地采取行动”(Klein等人，2006a)。然而，支持人类主导的。
【学习笔记】From Local to Global: A Graph RAG Approach to Query-Focused Summarization
weixin_45838549的博客
11-22 1193
将所有这些实例级别的总结转换为每个图元素（如实体节点、关系边和声明协变量）的单个描述性文本块，需要进一步通过LLM对匹配的实例组进行总结。
技术动态 | 微软发表GraphRAG论文并即将开源项目
开放知识图谱
05-03 1667
全文摘要:微软发表GraphRAG论文"From Local to Global: A Graph RAG Approach to Query-Focused Summarization"并即将开源项目，论文讨论GraphRAG方法，用于对文本语料库进行问题回答，结合了检索增强生成和图形索引，以提高答案的全面性和多样性。主要观点:- GraphRAG将检索增强生成与知识图谱索引相结合，用于问题回答...
From Local to Global: A Graph RAG Approach to Query-Focused Summarization 论文学习 + 相关内容笔记
m0_63589129的博客
08-20 2013
从最底层开始，逐步构建摘要，确保最重要的信息被包含在内。
From Local To Global
canonical
01-03 185
  几年前Michael Atiyah受邀在浙江大学做过一个讲演，题目是Mathematics in the 20th Century, http://www.cnw3.org/smth/Mathematics/historiesandmathmaticians/goodessays/00000035.htm， 在其中他回顾了二十世纪的主要的数学发展。被他列在第一条的进展就是From Local...
From Local to Global: A Graph RAG Approach to Query-Focused Summarization翻译
nopSled
12-21 123
人类在各个领域的努力都依赖于我们阅读和推理大量文档的能力，我们经常得出超出源文本本身的结论（即思考和推理过程。
From Local to Global A Graph RAG Approach to Query-Focused Summarization.pdf
03-04
”这类问题无法通过纯粹的检索任务来解决，因为它们实际上需要一种查询聚焦的总结（Query-Focused Summarization，QFS）技术。 传统的QFS方法虽然能够在一定程度上对问题进行聚焦，但它们无法有效扩展以处理典型的...
大模型笔记
bliblisukabulie的博客
07-23 420
# 大模型软工应用 ## prompt工程 Prompt 工程，也称为 In-Context Prompt，是指在不更新模型权重的情况下如何与大语言模型(Large Language Models, LLM) 交流以引导其行为来获得所需结果的方法。这是一门经验科学，Prompt 工程方法的效果在模型之间可能会有很大差异，因此需要大量的实验和启发式方法。 ## 核采样 核采样技术（Nucleus Sampling），也称为Top-p Sampling，是一种在自然语言生成任务中用于控制文本多样性和
大型语言模型的中毒攻击的系统评价
hao_wujing的专栏
06-11 986
大家读完觉得有帮助记得及时关注和点赞！！！随着预训练大型语言模型 （LLM） 及其训练数据集的广泛使用，人们对与其使用相关的安全风险的担忧显著增加。 这些安全风险之一是 LLM 中毒攻击的威胁，攻击者修改 LLM 训练过程的某些部分，导致 LLM 以恶意方式运行。作为一个新兴的研究领域，当前 LLM 中毒攻击的框架和术语源自早期的分类中毒文献，并未完全适应生成式 LLM 设置。我们对已发布的 LLM 中毒攻击进行了系统评价，以阐明安全影响并解决文献中术语的不一致问题。我们提出了一个全面的中毒威胁模型，适用于
Embedding词嵌入层的文本向量化原理【NLP入门详解】
m0_60610428的博客
06-10 1031
本文深入讲解了 NLP 中词嵌入（Embedding）层的原理与应用，适合初学者理解文本向量化的全过程。文章从分词与词ID映射讲起，阐述词嵌入层如何通过词向量矩阵将离散的词ID转化为连续的语义向量。接着分析了词向量的两种来源：随机初始化与加载预训练词向量（如 Word2Vec、GloVe），并说明了它们各自的适用场景与优势。通过示例代码与图示，帮助读者掌握词嵌入的实际使用方式，并指出其局限与进阶方法，如动态词向量（BERT）与子词建模（FastText）。
语言模型进化论：从“健忘侦探”到“超级大脑”的破案之旅
Ven%的博客
06-13 47
想象一下，你面前站着一位试图理解人类语言的机器人侦探。早期它像个固执的老学究，拿着厚厚一本《语法规则大全》办案：“‘吃苹果’合法，‘苹果吃’非法！”结果案件越复杂，规则手册越臃肿，最终陷入死胡同。
NLP 基础概念
最新发布
m0_64087341的博客
06-13 837
摘要：NLP（自然语言处理）是让计算机理解、生成人类语言的人工智能技术，涉及多学科交叉。其核心任务包括：中文分词（切分连续中文文本）、子词切分（解决词汇稀疏问题）、词性标注（标记单词词性）、文本分类（自动归类文本）、实体识别（提取人名地名等）、关系抽取（识别实体间语义关系）、文本摘要（生成内容概要）、机器翻译（跨语言自动翻译）和自动问答（理解并回答自然语言问题）。这些任务为语言技术发展奠定了基础，广泛应用于信息处理、知识图谱构建等领域。
清华大学视觉空间智能新突破！Spatial-MLLM：提升多模态大语言模型的视觉空间智能能力
weixin_37990186的博客
06-10 913
Spatial-MLLM通过结合语义2D编码器和结构感知的空间编码器，能够从纯2D视觉输入中有效实现空间理解和推理！
【论文解读】rStar：用互洽方法增强 SLM(小型语言模型) 推理能力
分享论文解读，分享思考见解，分享实践经验
06-13 661
rStar 提出了一种新颖且有效的框架，通过模拟人类的互洽推理过程，在不依赖外部监督或强教师模型的情况下，显著增强了小型语言模型的复杂推理能力。它巧妙地结合了 MCTS 的探索能力、更丰富的行动空间以及创新的互洽一致性验证机制，为提升 SLM 的“思考”质量提供了新的途径。
论文略读：RegMix: Data Mixture as Regression for Language Model Pre-training
qq_40206371的博客
06-11 271
RegMix 首先在多种数据混合上训练大量小模型，通过回归模型预测未见数据混合的性能，最后将预测效果最好的混合比例。上训练，用于拟合回归模型并预测最佳混合策略。随后，我们使用该预测的最佳混合比例训练了一个。（即模型大小扩大 1000 倍，训练数据量扩大 25 倍）。大型语言模型（LLM）的预训练数据混合比例对模型性能有显著影响，但。，因此需要 RegMix 这样的自动方法；，以此实现计算资源的大规模放大利用。更进一步，RegMix 在最多。不同领域之间的交互十分复杂，在实证验证中，我们训练了。
大语言模型（LLM）中的KV缓存压缩与动态稀疏注意力机制设计
teach2004的博客
06-09 535
对于很多实际应用中的数据，尤其是经过注意力机制处理后的键值对，可能存在大量冗余或不重要的信息，采用稀疏表示可以极大地节省存储空间。在标准的Transformer架构中，自注意力机制要求对序列中的每个元素都进行两两比较，这导致了计算复杂度和内存使用量随着输入长度的增加而急剧上升。总的来说，动态稀疏注意力机制为处理大规模数据提供了一种有效的方法，使得大型语言模型能够在不牺牲太多精度的情况下，更加高效地运行。动态性：所谓的“动态”，指的是这种选择不是固定的，而是根据输入的不同自适应调整。
Build a Large Language Model (From Scratch) 第二章 Working with text data
jsdoulaoula的博客
06-10 1077
你将学习如何为训练大型语言模型（LLMs）准备输入文本。这包括将文本拆分为单个单词和子词标记，然后将这些标记编码为适合LLM的向量表示。你还将了解高级标记化方案，如字节对编码（BPE）——这是GPT等流行LLM中使用的技术。最后，我们将实现一种采样和数据加载策略，以生成训练LLM所需的输入-输出对。
graphrag论文
04-29
- **论文地址**: [From Local to Global: A Graph RAG Approach to Query-Focused Summarization](https://arxiv.org/abs/<paper-id>) （具体ID需根据实际发布情况确认） 此外，微软官方提供了详细的项目说明和...
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