GraphRAG原理深入剖析--图谱检索

最新推荐文章于 2025-06-10 00:10:25 发布
最新推荐文章于 2025-06-10 00:10:25 发布
阅读量1k 收藏 16
点赞数 23
CC 4.0 BY-SA版权
文章标签： 人工智能 语言模型 知识图谱 ai 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.youkuaiyun.com/llm_way/article/details/144149994

在上一篇文章中GraphRAG原理深入剖析-知识图谱构建，我们重点了解了GraphRAG原理中的知识图谱的建立，今天这篇文章重点介绍一下GraphRAG原理中图谱检索部分。

图片

GraphRAG为我们提供了2种方式的检索：local search和global search;接下来我们分别分析一下这两种检索方式。

local search

local search是GraphRAG框架中提供的一种局部检索的技术，是一个从微观视角来检索相关内容的策略，因此它更适合检索一些提问中涉及到具体实体的问题，比如说“急性肠胃炎要怎么治疗”这类问题。以下是local search的核心流程：

图片

GraphRAG local search 的操作流程一般包含以下几个关键步骤

最低0.47元/天 解锁文章

200万优质内容无限畅学
【深度学习】本地运行 GraphRAG + Ollama
qq_20623849的博客
07-12 5582
本地允许 GraphRAG Ollama
GraphRAG原理深入剖析-知识图谱构建
llm_way的博客
12-01 1606
GraphRAG（Graph Retrieval-Augmented Generation）是一种结合了知识图谱和图机器学习技术的新型检索增强生成模型，它的核心优势在于它能够将非结构化的文本数据转换为结构化的知识图谱，从而更高效地表示实体、关系及关键声明。通过知识图谱，GraphRAG能够提供更丰富的上下文信息，使LLM在回答复杂查询时能够更全面地理解问题，并生成更准确、更完整的答案。
GraphRAG = 知识图谱 + RAG，优化全局搜索+局部搜索，以及部署指南
Debroon
07-01 7534
基于社区的多层次摘要策略。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。
知识图谱 ——知识存储与检索
艾
02-08 5277
前言知识的存储1.基于表结构的存储（1）三元组（2）类型表（3）关系数据库基于图结构知识图谱的检索1、常见查询语言（1）SQL（Structured Query Language，结构化查询语言）（2）SPARQL语言2.图检索技术（1）子图筛选（2）子图同构判定 知识图谱是一种有向图结构，描述了现实世界存在的实体、事件或者概念以及它们之间的关系，为自动问答、信息检索等应用提供支撑。其中，图中的节点表示实体、事件或概念，图中的边表示相邻节点间的关系，如下图所示。 每一个节点表示一个实体，每个实体都是某一抽
GraphRAG全局搜索：基于社区报告的智能检索实践
最新发布
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
06-10 607
本文深入探讨GraphRAG系统中的全局搜索功能，该功能通过利用LLM生成的知识图谱结构，将私有数据集组织成有意义的语义集群，并在查询时使用这些集群来总结主题。文章将详细介绍全局搜索的原理、实现方式、应用场景以及最佳实践，为开发者提供全面的技术指南。mindmaproot((全局搜索))核心功能社区报告主题总结数据聚合技术特点实时查询数据融合灵活配置应用场景知识问答信息检索智能对话技术优势社区报告主题总结数据聚合应用价值提升效率增强体验降低成本发展方向智能增强。
喂饭教程！全网首发对小白友好的GraphRAG查询流程全揭秘
python123456_的博客
11-19 1121
GraphRAG 在 query 时也会根据问题使用不同的聚类层级。但不同的是，GraphRAG 定义了两种差异非常大的 query 方式。一种是 Local Search ，用于处理具体的、相对关注细节的问题。这种 query 时使用的上下文内容主要是知识图谱中的内容和原始的 Text Units。把这些信息合并后，一次构建上下文调用 LLM 进行推理，并且一次 Local Search 只会调用一次 LLM，但是因为要送给LLM的信息比较多，所以也比正常的RAG要花更多token。
知识图谱检索 Graph-Based Retriever：文本块到结构化数据的转换，解决语义检索捕获不了的长尾关系
Debroon
09-25 1558
例如：在分析"阿司匹林"和"心脏病"的关系时，不仅考虑直接的治疗关系，还会考虑通过"抗凝血"、"血小板抑制"等中间概念的间接关系，同时还会考虑相关研究的影响力和时效性。这种方法的创新之处在于它结合了结构化的知识表示（知识图谱）和传统的文本检索技术，能够更好地捕获复杂的关系和长尾知识。通过这种全面的拆解和分析，我们可以更深入地理解知识图谱检索方法的各个方面，为进一步改进和优化提供了清晰的思路。这些创新点既保持了原有系统的优势，又在不同方面进行了拓展和深化，有潜力带来显著的改进和新的应用可能。
深入剖析 GraphRAG 的工作原理：步步拆解
llm_way的博客
05-14 597
GraphRAG本质上是对检索增强生成技术的强化，它借助图结构来优化信息检索和生成过程。与传统RAG不同，GraphRAG能够更好地捕捉数据之间的关系，从而在处理复杂查询时表现出更高的效率和准确性。
知识增强图（KAG）在LLM检索中的应用
llm_way的博客
01-03 1559
KAG 即知识增强图（Knowledge - augmented Graph），它将大语言模型与结构化的知识图谱深度整合，旨在实现专业领域中的逻辑推理和问答功能。KAG 构建于 OpenSPG 引擎之上，这一引擎是创建和管理知识图谱的框架，就如同一张庞大且详尽的信息地图，能够将原始数据转化为有用的知识，支持知识图谱的持续更新和完善，并将大数据与人工智能系统相连接，以解决复杂的实际问题。OpenSPG 的灵活性使其可以根据不同行业和需求进行定制化调整，为 KAG 的强大功能提供了坚实基础。
LLM Graph Rag（基于LLM的事件图谱RAG）
qq_41359817的博客
04-25 920
基于LLM的军事图谱RAG
【LLM大模型】GraphRAG入门学习流程
Langchain的博客
07-30 1561
GraphRAG 是一种基于图的检索增强方法，由微软开发并开源。它通过结合LLM和图机器学习的技术，从非结构化的文本中提取结构化的数据，构建知识图谱，以支持问答、摘要等多种应用场景。GraphRAG的特色在于利用图机器学习算法进行语意聚合和层次化分析，从而能够回答一些高层次的抽象或总结性问题，这是常规RAG系统的短板。
知识图谱检索增强的GraphRAG(基于Neo4j代码实现）
2401_84206094的博客
07-08 6163
对一个查询问题分别进行了测试, 与没有RAG，仅利用LLM生成回复的情况进行对比，在有GraphRAG 的情况下，LLM模型回答的信息量更大、准确会更高。
深度解读GraphRAG：如何通过知识图谱提升 RAG 系统
zhishi0000的博客
10-23 1311
检索增强生成（Retrieval Augmented Generation，RAG）是一种连接外部数据源以增强大语言模型（LLM）输出质量的技术。这种技术帮助 LLM 访问私有数据或特定领域的数据，并解决幻觉问题。因此，RAG 已被广泛用于许多通用的生成式 AI（GenAI）应用中，如 AI 聊天机器人和推荐系统。一个基本的 RAG 通常集成了一个向量数据库和一个 LLM，其中向量数据库存储并检索与用户查询相关的上下文信息，LLM 根据检索到的上下文生成答案。
GraphRAG系列范式冷思考：GraphRAG、KAG框架思考及E2E-AFG自适应过滤端到端思路
m0_59235245的博客
11-08 2030
实际上，Graph或者KG跟RAG应该浅融合，不要重度融合。知识图谱包括实体抽取，关系抽取，实体对齐，实体推理，外部还有图算法，社区这些，全部弄进去或者大部分弄进去，那就是重度融合，这就是KAG的很大的问题，本身KG就是老大难，技术漏洞很多，性能上限低，成本高。lightRAG还好一些，轻度一点。所以知识图谱与RAG结合，还是要适当刹刹车，算算账，把误差和成本考虑进去。
干货！带你了解7种检索增强生成 (RAG) 技术
yanqianglifei的专栏
01-05 1602
回顾2023年RAG技术的发展，检索增强生成（Retrieval-Augmented Generation，RAG）技术彻底改变了人工智能模型的工作方式，它将生成式人工智能的优势与检索现实世界文档的精确性相结合。通过从外部来源提取相关数据，RAG使得人工智能能够生成更准确且上下文更合适的答案。随着这项技术的不断发展，RAG的多种变体应运而生，每种变体都在解决不同的挑战并提升人工智能的整体性能。在本文中，我们将深入探讨七种关键的RAG技术，重点介绍每种技术如何独特地提升AI生成内容的质量。
第四章：检索器（Retriever）设计：从向量到图谱
YPeng_Gao的博客
04-02 1027
在检索增强生成（RAG）系统中，检索器的核心目标是高效且准确地从庞大的知识库中召回与用户查询最相关的知识片段。这些片段应当能够直接回答用户的问题，或者为后续的生成步骤提供必要的上下文信息。检索器的性能直接影响着整个 RAG 系统的效果，一个优秀的检索器能够显著提升生成答案的准确性、相关性和信息丰富度。
Win10（CPU）+ Anaconda3 + python3.9安装pytorch
AAI666666的博客
01-14 2036
Win10（CPU）+ Anaconda3 + python3.9安装pytorch
解读GraphRAG
我相信......
11-24 1232
RAG 结合了大型语言模型和信息检索模型的力量，允许它们用从大量文本数据中提取的相关事实和细节来补充生成的响应。事实证明，这种方法在提高模型输出的实际准确性和总体质量方面是有效的。然而，随着 RAG 系统得到更广泛的采用，它们的局限性开始浮出水面，具体而言：平面检索: RAG 将每个文档作为一个独立的信息。想象一下，阅读单独的书页，却不知道它们之间是如何连接的。这种方法错过了不同信息片段之间更深层...
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

打赏作者

大模型之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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