GraphRAG

GraphRAG 是一种先进的检索增强生成（RAG）技术，通过整合知识图谱来提升信息检索和生成的能力。

• 与传统的RAG系统相比，GraphRAG能够更有效地处理复杂的查询，提供更准确和相关的回答。

通过构建知识图谱，捕捉数据点之间的关系，为用户提供更具上下文的响应，特别适用于涉及大量实体和关系的数据集。

GraphRAG不仅提高了生成答案的准确性，还能减少生成过程中的错误，尤其在法律科技和风险分析等领域表现出色。

GraphRAG还可以通过自动化知识图谱的构建，揭示互联数据中的深层次见解，在研究和商业应用中具有重要的价值。

简单来说，GraphRAG = 知识图谱 + 检索增强生成RAG。

传统RAG工作流程

文档处理流程

文档收集 ：

• 从各种来源获取知识文档，包括网页、PDF、数据库等。

文档分块 ：

• 将长文档切分为适当大小的文本块（chunks），通常为几百个token。

向量化 ：

• 使用嵌入模型（如BERT、Sentence-BERT等）将文本块转换为高维向量表示。

向量存储 ：

• 将文本向量及其原始内容存入向量数据库。

查询处理流程

用户查询 ：

• 接收用户的自然语言问题。

查询向量化 ：

• 将用户查询转换为与文档块相同维度的向量表示。

向量检索 ：

• 在向量数据库中检索与查询向量最相似的文档向量（Top-K检索）。

相关性排序 ：

• 根据相似度分数对检索结果进行排序，使用余弦相似度等度量方法。

大语言模型处理 ：

• 将用户查询和检索到的相关文档作为上下文输入到LLM。

增强回答 ：

• LLM基于检索到的知识生成准确、相关的回答。

GraghRAG工作流程

知识图谱构建流程

文档收集 ：

• 从各种来源获取知识文档，包括结构化和非结构化数据。

实体抽取 ：

• 识别文档中的关键实体，如人物、组织、概念等。

关系抽取 ：

• 确定实体之间的语义关系，构建三元组(头实体-关系-尾实体)。

图嵌入 ：

• 使用图神经网络(GNN)将实体和关系转换为向量表示，捕获结构信息。

图存储 ：

• 将知识图谱及其嵌入向量存入图数据库。

GraphRAG查询处理流程

用户查询 ：

• 接收用户的自然语言问题。

查询向量化 ：

• 将用户查询转换为向量表示。

图检索：

• 多维度检索相关知识。

语义检索 ：

• 基于向量相似度的传统检索。

结构检索 ：

• 利用图结构特征进行检索。

路径检索 ：

• 查找实体间的关系路径。

子图检索 ：

• 提取与查询相关的局部子图。

多模态融合 ：

• 整合不同检索方法的结果。

相关性排序 ：

• 使用综合评分函数对检索结果排序。

大语言模型处理 ：

• 将用户查询和检索到的图结构知识作为上下文输入到LLM。

增强回答 ：

• LLM基于结构化的图知识生成准确、相关的回答。