知识图谱和LLMs：多跳问答，检索跨多个文档的信息

原文地址：knowledge-graphs-llms-multi-hop-question-answering

2023 年 6 月 15 日

这是 Neo4j 的 NaLLM 项目的第三篇博客文章。我们启动这个项目是为了探索、开发和展示这些LLM 与 Neo4j 结合的实际用途。作为该项目的一部分，我们将在GitHub 存储库中构建并公开展示演示，为我们的社区提供观察、学习和贡献的开放空间。此外，我们一直在博客文章中写下我们的发现。您可以在这里查看前两篇博客文章：

• Harnessing LLMs With Neo4j
• Fine-Tuning vs Retrieval-Augmented Generation 

Midjourney’s idea of an investigative board

在上一篇博客文章中，我们了解了检索增强方法来克服大型语言模型（LLM）的局限性，例如幻觉和有限的知识。检索增强方法背后的想法是在提问时参考外部数据并将其提供给LLMs，以增强其生成准确且相关答案的能力。

LLM应用的检索增强方法

当用户提出问题时，智能搜索工具会在提供的知识库中查找相关信息。例如，您可能遇到过在 PDF 或公司文档中搜索相关信息的情况。这些示例中的大多数都使用向量相似性搜索来识别哪些文本块可能包含相关数据以准确回答用户的问题。实现相对简单。

使用向量相似性搜索的 RAG 应用程序

PDF 或文档首先被分割成多个文本块。一些不同的策略包括文本块应该有多大以及它们之间是否应该有重叠。在下一步中&