GraphRAG项目

最新推荐文章于 2024-09-17 15:51:07 发布
最新推荐文章于 2024-09-17 15:51:07 发布
阅读量427 收藏 7
点赞数 3
分类专栏： 知识图谱 文章标签： 知识图谱
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/qq_32907491/article/details/140589390
版权

近期RAG这块比较火热的方向当属GraphRAG，微软GraphRAG项目自2024.7.3日开源以来，两周内，收获10.9k星星，可见其火热，同时，它既不是第一个也不会是最后一个开源的GrapRAG项目：

  • 2024.3.15日LangChain发布Graph RAG实战教程

Introducing the Property Graph Index: A Powerful New Way to Build Knowledge Graphs with LLMs — LlamaIndex, Data Framework for LLM Applications

  • 2024.6.24日 蚂蚁首个开源Graph RAG框架

蚂蚁首个对外开源的Graph RAG框架采用全自主的开源产品：DB-GPT（RAG的AI工程框架）+ OpenSPG（知识图谱系统）+ TuGraph（图存储系统）。

Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读

  • 2024.7.9日 LlamaIndex发文介绍了Property Graphs，属性图索引通过使用标签属性图表示，解决了传统知识图谱无法为节点和关系分配标签和属性，无法将文本节点表示为向量嵌入，无法进行向量和符号检索的问题，提供了更丰富的建模、存储和查询能力。

RAG+Graph新的打开方式：Property Graphs

  • 2024.7.11日Neo4j CEO发表GraphRAG长篇科普长文： GraphRAG宣言。

Neo4j CTO：RAG的下半场GraphRAG！

随后Neo4j于13日开源了 基于LLM提取知识图谱的生成器：llm-graph-builder

github：GitHub - neo4j-labs/llm-graph-builder: Neo4j graph construction from unstructured data using LLMs

  • 2024.7.14日 开源项目Camel宣布在其框架中引入Graph RAG Agent！目前并开源了知识图谱抽取的 Prompt，组合使用UnstructuredIO和neo4j实现节点和关系抽取。

教程：https://colab.research.google.com/drive/1IyttIWlsJKGWtWpc-QXDGbVok8fbud\_j

  • 2024.7.14日 LlamaIndex中初步实现了微软GraphRAG的一些模块：图形生成，构建图形和社区摘要；基于社区的检索，使用社区摘要并汇总中间答案。

微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG
人工智能曾小健
04-26 2286
传统的RAG方法适用于局部文本检索任务，但。
微软开源项目GraphRAG——基于知识图谱的RAG简介
洛阳泰山的博客
07-11 2603
在大型语言模型（LLM）的前沿研究中，一个核心挑战与机遇并存的领域是扩展它们的能力，以解决超出其训练数据范畴的问题。这不仅要求模型在面对全新数据时仍能保持卓越表现，还意味着开辟了全新的数据分析可能性，如在各种数据集中识别主题和语义概念，同时保留上下文和实体关系。在此背景下，微软研究院自豪地推出了GraphRAG——一项旨在显著提升LLM能力的重大突破。传统的检索增强生成（RAG）方法通过基于用户查询搜索信息，并将结果作为AI生成答案的参考，已成为大多数LLM工具不可或缺的一部分。
GraphRAG本地部署（Xinference本地模型）+ neo4j可视化
2303_78780633的博客
08-09 3503
模型供应商可以选择ollama，Xinference等供应商，也可以用我们本地api封装的大模型。
一文把 RAG 每步的技术难点说明白
m0_59164304的博客
06-24 901
检索出来的结果在给大模型之前，还要 prompt 优化，包括 prompt 加上 step by step ，针对场景的加上相应的提示词等。最后的结果依赖大模型的理解，生成，逻辑推理能力。大模型能力的强弱也直接决定 RAG 的效果。所以大家会看到要把 RAG 作为大模型应用目前主要落地场景，但还是有非常多改进的空间的，这方面的创业公司也很多，技术发展也很快，机会很多。现在典型的 RAG框架有 dify，FastGPT ，百度智能云的 App builder等，大家都可以去试一试。
Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
最新发布
qq_32907491的博客
09-17 1117
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。
图解Graph RAG：蚂蚁集团开源的智能问答新框架
步子哥的博客
07-09 848
Graph RAG作为AI领域的新成员，它的发展和应用才刚刚开始。随着技术的不断进步，我们有理由相信，它将在未来的智能问答系统中扮演越来越重要的角色。如果你对Graph RAG或者AI技术感兴趣，不妨关注蚂蚁集团的开源项目，一起探索AI的无限可能。希望这篇博客能够帮助你更好地理解Graph RAG技术。如果你有任何问题或需要更多信息，请随时告诉我！
一文看懂GraphRAG：蚂蚁集团联合各所名校出品GraphRAG综述
m0_59164520的博客
08-25 1651
GraphRAG 是借助外部结构化知识图谱来增进语言模型的上下文理解，并生成更具洞见响应的框架。GraphRAG 的目标在于从数据库中检索出最为相关的知识，进而提升下游任务的答案质量。鉴于候选子图的数量会随着图的规模呈指数增长，故而需要有效的近似方法。由此，运用图检索器提取最优子图 ，而后生成器依据检索到的子图生成答案。所以，将 GraphRAG 的整个流程拆解为三个主要阶段：基于图的索引、图引导检索和图增强生成。
揭示大模型应用协同效应：当RAG遇见知识图谱(KG)
m0_59235245的博客
06-04 1129
许多使用聊天机器人（如ChatGPT）的用户都遇到了接收不当或不兼容回复的问题。这可能有几个原因。一个原因是缺乏合适的训练数据，因为聊天机器人通常是在大量的文本和代码上进行训练的。如果数据不足或质量较差，聊天机器人可能会误解查询并提供不准确的回复。另一个原因是一些聊天机器人被设计用于特定任务或领域，这限制了它们处理更广泛的查询或理解对话中微妙细微差别的能力。此外，聊天机器人可能难以理解复杂而含糊不清的自然语言。这可能导致它们误解用户的查询并提供无关或离题的回复。
GraphRAG：LLM 模型增强检索技术和知识图谱的结合开源项目（Microsoft）
简简单单Onlinezuozuo
07-21 1489
在当今的自然语言处理（NLP）和信息检索（IR）领域，复杂的语义关系和大规模数据处理一直是一个挑战。为了解决这些问题，GraphRAG 项目应运而生。作为一个开源项目，GraphRAG 结合了知识图谱和检索增强生成模型（RAG），为增强大语言模型（LLM）的能力提供了一个强有力的工具。GraphRAG 是一个将知识图谱与 RAG 结合的开源项目，旨在提升大语言模型在处理复杂语义和大规模数据时的性能。
GraphRAG：知识图谱+大模型案例实战（一）
春华秋实
08-02 613
该图谱与社区摘要和图谱机器学习输出一起在查询时用于增强提示。GraphRAG在回答上述两类问题时显示出显著的改进，展示了比以前应用于私有数据集的方法更高的智能的掌握能力。上述案例代码展示了微软研究的新方法GraphRAG的实现，通过利用大语言模型（LLM）基于输入语料库创建知识图谱，并在查询时结合社区摘要和图谱机器学习输出来增强提示。本地搜索方法通过将 AI 提取的知识图谱中的相关数据与原始文档的文本块相结合来生成答案。这种方法适用于需要了解文档中提到的特定实体的问题（例如，洋甘菊的治疗特性是什么？
微软重磅开源 GraphRAG：新一代 RAG 技术来了！
musicml的博客
07-07 5990
▼最近直播超级多，预约保你有收获今晚直播：《RAG/Dify 构建企业案例实战》—1—为什么需要 GraphRAG？7月3日，微软重磅开源了基于图的 RAG -- GraphRAG。在 GitHub 上发布后，短短4天时间，该项目迅速获得了 6000 Stars！足见这个项目的热度！Github 地址：https://github.com/microsoft/graphrag强化主流大模型，比...
GraphRAG项目雨后春笋般涌现！
m0_59164520的博客
07-17 1121
蚂蚁首个对外开源的Graph RAG框架采用全自主的开源产品：DB-GPT（RAG的AI工程框架）+ OpenSPG（知识图谱系统）+ TuGraph（图存储系统）。随后Neo4j于13日开源了基于LLM提取知识图谱的生成器：llm-graph-builder教程：https://colab.research.google.com/drive/1IyttIWlsJKGWtWpc-QXDGbVok8fbud_j。
实战微软新一代RAG：GraphRAG强大的全局理解能力，碾压朴素RAG？
Python_cocola的博客
07-08 3788
大语言模型（LLM）是在大量数据上训练，但他们并不是在我们私有数据上训练，因此要想让LLM能够回答我们私有数据集上的问题，我们就得使用一种叫做检索增强生成（RAG）的技术。它的基本原理是加载我们的文档，然后将每个文档按照一定的规则，比如Token数量、字符数量、语义和层次分割等，将每个文档拆分为一个一个小片段（chunk）。然后使用嵌入技术对这些chunk生成embeding，存储到高维向量数据库中，生成索引Index。
GraphRAG + Ollama 本地部署全攻略：避坑实战指南
musicml的博客
07-24 5417
▼最近直播超级多，预约保你有收获—1—为什么要对 GraphRAG 本地部署？微软开源 GraphRAG 后，热度越来越高，目前 GraphRAG 只支持 OpenAI 的闭源大模型，导致部署后使用范围大大受限，本文通过 GraphRAG 源码的修改，来支持更广泛的 Embedding 模型和开源大模型，从而使得 GraphRAG 的更容易上手使用。如果对 GrapRAG 还不太熟悉的同学，可以看...
graphrag langchain
08-24
GraphRAG是一种基于图的鲁棒聚合分类(graph-based robust aggregation classification)算法。该算法是一种用于处理网络数据的半监督学习方法。它通过构造图结构将数据点作为节点，节点之间的边表示数据点之间的相似度或关联性。在图中，一些节点会带有标签，而算法的目标是预测未标签节点的类别。 GraphRAG算法的核心思想是利用图上的信息传播机制，在有标签的数据节点之间传播标签信息，使得这些信息可以通过图中的边传递给无标签节点。算法在每一步迭代中更新节点的标签概率分布，并通过聚合邻居节点的信息来提高分类的准确性。这种算法特别适用于图数据结构，例如社交网络分析、蛋白质互作用网络等。 GraphRAG算法的关键步骤包括： 1. 构造图：首先根据数据集构建一个图，节点表示数据点，边表示数据点之间的相似性。 2. 初始化标签：为有标签的节点分配初始标签。 3. 信息传播：通过迭代过程，标签信息从有标签节点传播到无标签节点。 4. 节点聚合：利用邻居节点的信息进行标签预测，通常涉及权重聚合，即距离较近或相似度较高的节点具有更大的影响力。 5. 分类决策：根据无标签节点的最终标签概率分布进行分类决策。
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