Graph RAG = 知识图谱 + RAG，优化全局搜索+局部搜索

Graph RAG = 知识图谱 + RAG

• 提出背景
• 解法拆解

• 子解法1：利用图索引的数据结构
• 子解法2：迭代和动态的检索生成循环
• 子解法3：多层次的社区摘要生成

• Graph RAG 分析

• 问题1: 全局搜索与局部搜索的优化原理
• 问题2: 实体识别、实体关系抽取、社区聚类的误差传播问题

• 医疗方案对比

• 1. 单纯知识图谱
• 2. 单纯RAG
• 3. 知识图谱+RAG
• 4. MindMap+RAG

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

代码： https://github.com/microsoft/graphrag

提出背景

传统的RAG方法适用于局部文本检索任务，但不适用于全局性的查询聚焦摘要任务。

传统的RAG方法局部文本检索：

医生需要了解某个药物在治疗某种疾病时的具体副作用。使用RAG方法，系统会从数据库中检索相关的文档片段，然后生成一个包含这些副作用的回答。

这种方法非常有效，因为问题是具体的，答案可以从局部的文档片段中提取。

全局性的查询聚焦摘要任务：

医院希望对某种疾病的治疗效果进行全面评估，包括各种治疗方法的效果、副作用、患者满意度等信息。

这个任务需要从大量的文档中提取相关的信息，并对其进行整合和总结。

GraphRAG 是一种复杂的信息检索和生成方法，使用知识图谱和大型语言模型(LLM)来处理复杂查询。

GraphRAG的两个主要阶段：

1. 构建图索引：

• 实体知识图谱：从源文档中提取重要的元素，如人物、地点、事件等，这些被称为“实体”。这些实体通过它们之间的关系（例如，“工作于”或“位于”）连接起来，形成一个网络或图。
• 图的其他元素：除了实体和关系，图还包括附加信息，如“声明”（即关于实体的陈述或属性），这有助于更好地理解和分类实体。

2. 预生成社区摘要：

• 社区检测：使用算法（如Leiden算法）分析图，找出紧密相关的实体群体。这些群体被称为“社区”，在这里，社区意味着一组相互紧密联系的实体和信息。
• 生成社区摘要：每个社区的信息被提取并总结，这一步骤是自动完成的，利用大型语言模型来生成每个社区的摘要或概述。

查询处理：

• 当提出一个查询（即一个问题或信息需求）时，系统不仅查找与这个查询直接相关的单个实体，而是在与查询相关的各个社区上运行，汇总所有相关社区的信息，生成一个全面的、针对该查询的“全局答案”。

GraphRAG 通过创建一个从文档中派生的、结构化的信息图，自动组织和总结这些信息，然后在需要时提供详尽的、上下文丰富的回答。

 

解法拆解

首先构建一个结构化的知识图谱，然后将其聚类成语义社区，并生成针对查询的总结，从而提供更全面和多样化的答案。

Graph RAG的核心思想是利用知识图谱作为上下文或事实信息源，以支持LLM进行更准确的信息提取和生成。

此外，Graph RAG还能够将实体和关系以图的形式展示。

通过实体提取、子图构造和上下文学习，能够有效地处理复杂的多跳问题，从而更好地理解和处理复杂的多跳问题，改进RAG系统效果与效率。

这幅图表概述了Graph RAG系统的工作流程：

1. 源文档：

• 文档经过处理，提取文本并划分为易于管理的块。

2. 文本块：

• 这些块经过针对领域的摘要处理，提炼出最相关的信息。

3. 元素实例：

• 摘要后，识别出特定的元素，如实体、关系和协变量。

4. 元素摘要：

• 这些元素再次进行领域定制的摘要。

5. 社区检测：

• 检测到的元素基于它们的关系和相关性被聚类成图社区。

6. 社区摘要：

• 对相关元素的每个社区进行摘要，提供简洁的概览。

7. 社区答案：

• 这些摘要被用来回答专注于社区上下文的特定查询。

8. 全局答案：

• 最终通过对社区答案进行摘要，产生一个全面的响应，提供对更广泛查询的综合回答。

 
医学应用场景：诊断罕见病症。

假设一个患者表现出一系列罕见且复杂的症状，医生需要对其进行详尽的诊断。

1. 源文档：

• 医学数据库、病历档案、最新的医疗研究报告等文档被系统处理，从中提取关键文本，如症状描述、治疗历史、临床研究结果等。

2. 文本块：

• 文本被划分为可管理的块，每块包含相关的医学信息，如具体症状、潜在诊断、治疗反应等。

3. 元素实例：

• 从每个文本块中提取关键的医学实体（如特定症状、药物、疾病名称），以及实体之间的关系（如症状与疾病之间的联系）。

4. 元素摘要：

• 对提取出的实体进行进一步的摘要处理，精炼信息以准备用于更高级的分析和推理。

5. 社区检测：

• 通过算法检测实体间的关联性，将相关的症状、疾病、治疗方法等聚类成多个图社区，每个社区表示一组可能相互关联的医学概念。

6. 社区摘要：

• 每个社区的实体和关系被总结，提供关于该社区主题的清晰概览，如一个社区可能聚焦于“自身免疫疾病”，而另一个可能聚焦于“遗传性疾病”。

7. 社区答案：

• 针对特定的医学查询（例如，“这些症状可能指示哪种罕见病？”），系统利用相关社区的摘要生成详细的回答。

8. 全局答案：

• 最后，系统整合各个社区答案的信息，生成一个全面的诊断报告，可能包括推荐的进一步检测、治疗方案及预后分析，为医生提供一份详细的临床决策支持文档。

通过这个流程，Graph RAG系统能够有效地从大量医学文本中提炼和总结关键信息，帮助医疗专业人员进行准确的诊断和治疗决策。

这种方法特别适用于那些涉及多系统症状或罕见疾病的复杂病例，需要综合广泛的医学知识和最新的研究数据。

 

---

目的： 支持对整个文本语料库的人类理解，用于医学研究和临床决策。

• 类比： 类似于医学图像诊断系统，Graph RAG旨在通过整合和解析大量的医学文本数据（如临床研究、病例报告等），来帮助医生和研究者迅速准确地把握疾病信息，提高诊断的准确性和研究的效率。

解法： 利用图形结构的数据索引、迭代和动态的检索生成循环以及多层次的社区摘要生成，来优化信息检索和生成文本摘要的过程。

子解法1：利用图索引的数据结构

• 特征： 自生成的图索引结构，有效组织数据。
• 类比： 如电子健康记录系统（EHR）中的患者信息索引，Graph RAG通过图索引结构系统地整合和分类大量医学数据，使得相关信息能够快速被检索和关联，提高信息检索的效率和准确性。
• 之所以使用图索引的数据结构，是因为图的模块化可以自然地组织复杂的医学数据，从而加快信息检索速度和提高信息关联度。

子解法2：迭代和动态的检索生成循环

• 特征： 模块化系统支持迭代循环，优化查询结果。
• 类比： 类似于医生对症状进行多轮诊断，每一轮诊断基于前一轮的检查结果深入探索，Graph RAG通过反复迭代生成和检索的循环，逐步优化和深化对查询问题的回答。
• 之所以使用迭代和动态的检索生成循环，是为了持续优化查询的相关性和信息的全面性，确保最终生成的摘要信息既全面又精确。

子解法3：多层次的社区摘要生成

• 特征： 基于社区的多层次摘要策略。
• 类比： 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。

Graph RAG 分析

问题1: 全局搜索与局部搜索的优化原理

全局搜索（Global Search）

• 目的：全局搜索是为了理解和回答关于整个文档集的综合性问题，如“数据中的前N个主题是什么？”这类需要跨文档聚合信息的查询。
• 优化原理：利用由大型语言模型（LLM）生成的社区报告，这些报告预先总结了数据集的语义结构。
  映射-归约：通过先分解数据为小块进行独立处理（映射），然后将结果汇总以形成综合响应（归约），有效地组织和分析大量信息。
  通过映射-归约（map-reduce）方式处理这些社区报告，先将它们分割为文本块（映射阶段），然后从这些块中选出重要点进行聚合（归约阶段），以形成对整体查询的响应。
  这种方法优化了信息的聚合，使其能更有效地处理跨文档的复杂查询。

局部搜索（Local Search）

• 目的：局部搜索旨在理解和回答关于特定实体及其相关概念的详细问题。
• 优化原理：通过识别与查询语义相关的实体集，并将这些实体及其关联概念作为搜索的起点。
  这种方法利用了知识图谱的结构化数据以及输入文档中的非结构化数据，为LLM在查询时提供更丰富的上下文。
  这样的处理增强了对特定实体的理解和推理能力，优化了针对特定问题的搜索效率。

问题2: 实体识别、实体关系抽取、社区聚类的误差传播问题

实体识别、实体关系抽取与社区聚类的挑战

• 实体识别和实体关系抽取：这些步骤涉及从大量文本中自动识别出关键实体（如人名、地点等）以及它们之间的关系。
  这个过程本质上依赖于语言模型的准确性，错误的实体识别或关系抽取会导致错误信息的累积，这种误差传播可能影响到最终生成的知识图谱的质量。
• 社区聚类：在构建图谱后，通过社区聚类来理解实体之间的关联和层次结构。
  社区聚类的准确性直接影响到信息的结构化表示和后续的查询效率。
  误差传播在这里指的是，如果前面的实体识别和关系抽取存在误差，那么这些误差会在社区聚类过程中被进一步放大，导致社区构建不准确。

解决方法：

• 提高实体识别和关系抽取的准确性是基本的解决方法，这通常需要更精细的模型训练和更好的训练数据。
• 在社区聚类阶段，可以引入更高级的算法和更多的人工审核，以减少自动化误差的影响。

 

医疗方案对比

假设一个患者向系统咨询：“我最近总感觉疲劳，经常头晕，有时候心跳也很快，这是怎么回事？”

1. 单纯知识图谱

• 操作：系统仅依靠已有的知识图谱中的数据，寻找疲劳、头晕和心跳加速可能相关的疾病。
• 结果：返回一些与这些症状相关的疾病如贫血、甲状腺功能亢进等，但无法提供实时数据或深入解释。
• 类比：这就像一本详细的医学百科全书，能提供一定的基础信息，但缺乏实时更新和个性化解释。

2. 单纯RAG

• 操作：RAG系统结合了检索和语言生成。系统首先从一个大型的、通常是预先索引好的文档集合中检索与查询最相关的文档或文本片段，然后这些文本片段作为语言模型生成回答的上下文。
• 结果：生成的文本通常更加准确和信息丰富，因为它是基于实际检索到的文档内容。这些文档提供了对问题的直接证据，帮助模型生成更加相关和可靠的回答。
• 类比：RAG可以比喻为一位依赖于丰富参考书籍的医生。这位医生在回答问题前，会先查阅相关的医学文献或最新研究，确保提供的信息既准确又与当前医学研究保持一致。这种方式，与直接依靠个人记忆或经验的医生（单纯的大型语言模型）相比，能够提供更详实的依据和解释，减少信息的误差。

通过这种方式，RAG系统能够在需要处理特别是具体和复杂查询时，提供比单纯语言模型更为准确和可靠的输出。这在医学问诊中尤其重要，因为准确的信息直接关系到患者的健康和治疗效果。

确实，我们需要更清楚地突出知识图谱+RAG结合的独特优势，并说明它如何提供比单独使用这些技术更高的价值。下面是一个更细化的解释，突出这种结合的优点：

3. 知识图谱+RAG

• 操作：这种方法结合了知识图谱的结构化数据管理和RAG的动态检索与生成能力。系统首先利用知识图谱中的丰富、结构化信息来快速定位和检索与查询相关的准确数据。随后，RAG利用这些结构化数据为基础，从更广泛的信息源中动态检索其他相关内容，增强生成回答的深度和宽度。
• 结果：生成的回答不仅准确性高，因为基于结构化的确凿信息，而且包含了更广泛的上下文，使得回答更为全面和详尽。这种结合提供了一个平衡点，即使用知识图谱快速定位关键信息，同时通过RAG拓展和深化这些信息。
• 类比：可以比喻为一位资深医生（知识图谱）携带了一个先进的医疗助手（RAG）。这位医生非常了解已有的疾病信息和治疗方案，而助手能够迅速查阅最新的医学研究和案例，共同为患者提供更全面、更新颖的诊断和治疗建议。
• 优点：

• 精确性和响应速度：知识图谱提供了高度结构化和精确的信息，这有助于提升回答的精确性；而RAG的检索能力扩展了回答的深度，增强了处理复杂查询的能力。
• 数据的即时更新与整合：尽管结构化的知识图谱可能需要定期更新以反映最新的医学知识，但RAG部分的实时检索可以弥补这一缺点，通过访问最新的文档和数据源，即时地将最新研究成果和统计数据整合进回答中。

通过这种方式，知识图谱+RAG不仅在医学问诊中能提供基于证据的准确诊断，还能通过RAG的动态检索功能实时更新和拓展这些诊断，使得医生和患者能够获取到最全面的信息，从而做出最好的医疗决策。

4. MindMap+RAG

• 操作：结合MindMap的推理路径可视化和RAG的自然语言处理能力，提供一个全面的诊断解决方案。
• 结果：不仅诊断出可能的疾病，还提供详细的推理路径，解释为什么会产生这些症状，包括最新的研究结果和统计数据。
• 类比：就像一个顶尖的医疗团队，不仅有最新的医学知识和技术（MindMap），还能提供患者个性化的诊疗建议（RAG生成），同时确保所有推理都是透明和可追溯的。

1. 单纯知识图谱：

• 总结：提供结构化且准确的信息，但更新不及时，可能导致数据过时。

2. 单纯RAG：

• 总结：高度灵活并能生成精确回答，但完全依赖于检索到的内容质量和范围。

3. 知识图谱+RAG：

• 总结：结合了知识图谱的准确性和RAG的响应灵活性，提高了信息的即时相关性和深度，但更新速度仍受限于知识图谱的更新频率。

4. MindMap+RAG：

• 总结：融合MindMap的实时更新和透明的推理路径与RAG的深度生成能力，提供了一个高度精确、全面且可解释的医学诊断平台，理想用于处理复杂的医学问诊。

原创作者: u_13937572 转载于: https://blog.51cto.com/u_13937572/11408218