GraphRAG原理深入剖析--图谱检索

最新推荐文章于 2025-09-08 20:05:09 发布
原创 最新推荐文章于 2025-09-08 20:05:09 发布 · 1.2k 阅读 · 16 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #语言模型 #知识图谱 #ai #chatgpt

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
GraphRAG：全局搜索方法在RAG系统中的应用
engchina的专栏
07-27 970
GraphRAG：全局搜索方法在RAG系统中的应用
知识图谱数据管理：存储与检索
qq_40671063的博客
04-04 4236
1 知识图谱大数据 1 知识图谱是一种有向图结构，描述了现实世界中存在的实体、事件或者概念以及它们之间的相关 关系。 2.知识图谱中的知识是通过RDF的结构进行表示的，其基本构成单元是事实三元组：<subject, predicate, object>的三元组 ​ ​ 3. 知识图谱：图数据，属性：自身数据；拓扑结构：相互关系 4. 应用方向：社交网络：人立方关系搜索，博客分析，论坛观点挖掘，网络舆情监控； 路径规划：高德地图； 生物学...
收藏级！GraphRAG四大搜索策略实战指南，AI大模型检索技术一篇搞定
最新发布
xx_nm98的博客
09-08 1022
GraphRAG 提供了四种不同的搜索策略，按照复杂程度递增的顺序，它们分别是：**基础搜索（Basic Search）**、**本地搜索（Local Search）**、**全局搜索（Global Search）** 和 **漂移搜索（DRIFT Search）**。本文将由浅入深地剖析这四种搜索策略的工作原理和使用场景。
【深度学习】本地运行 GraphRAG + Ollama
qq_20623849的博客
07-12 5777
本地允许 GraphRAG Ollama
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 8697
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。
万字长文解析微软开源项目graphrag的query模块local search过程
m0_52015689的博客
05-30 1216
从检索的过程可以看出来，检索的质量其实和index的质量是息息相关的，因为语义相似性的判断，发生在具体的query：萧炎是谁？和index提取出来的entity：description之间，如果大家细心的话，会发现，很多实体的description部分为空。所以，query的好坏很依赖index的结果。graphrag虽然效果好，但是真的贵。
GraphRAG原理深入剖析-知识图谱构建
llm_way的博客
12-01 1842
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。
深入剖析 GraphRAG 的工作原理：步步拆解
llm_way的博客
05-14 730
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。
项目解析：GraphRAG是RAG的下一场
2401_82452722的博客
08-06 1685
与传统RAG类似，GraphRAG整个Pipeline可划分为索引（Indexing）与查询（Query）两个阶段，不同的是，GraphRAG利用大型语言模型（LLM）从文本中提取出节点（如实体）、边（如关系）和协变量（如声明），再利用社区检测算法对整个知识图谱进行划分，然后LLM进行总结，最后根据特定查询，汇总所有与之相关的信息生成一个全局性的答案。未来，随着技术的不断进步和应用场景的扩展，GraphRAG有望在更多领域中得到应用，为复杂问题的解决提供更为高效和准确的工具和方法。
知识增强图（KAG）在LLM检索中的应用
llm_way的博客
01-03 1721
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。
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 1847
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。
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 1281
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。
下一代 RAG 技术来了！微软正式开源 GraphRAG
stephen147的博客
07-08 8029
7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！开源地址：https://github.com/microsoft/graphrag通过 LLM 构建知识图谱结合图机器学习，GraphRAG 极大增强 LLM 在处理私有数据时的性能，同时具备连点成线的跨大型数据集的复杂语义问题推理能力。
3种RAG方法深度对比！知识图谱为何让微软GraphRAG脱颖而出？
m0_59163425的博客
02-07 2771
接下来，使用 Neo4j 数据库定义检索器，以通过混合搜索查找相关信息。
知识图谱 ——知识存储与检索
艾
02-08 5565
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学习小结（2）
wanxueyao的博客
07-31 3531
首先来看小说中最常出现的实体“我”，该实体的摘要如下。"文中的叙述者，经历了书籍被损坏的事件，感到非常委屈。" "文中的第一人称，对女孩子的行为感到不满，并且因为被叫做幽灵而生气，但后来接受了女孩子的道歉。
GraphRAG与知识图谱
moneywenxue的博客
04-07 2164
Graph RAG 思想： 对用户输入的query提取实体，然后构造子图形成上下文，最后送入大模型完成生成知识图谱（Knowledge Graph）是一种以结构化形式描述现实世界实体及其关系的技术，通过将数据组织为“节点-边-节点”的三元组（如“北京-是-中国首都”），构建出语义关联的网络。实体（Entities）‌：表示具体或抽象的事物，如“李白”“北京”。‌关系（Relationships）‌：连接实体的边，定义交互方式，如“出生于”“首都”。‌。
graphRAG open-webui
02-22
### 关于 GraphRAG 和 Open-WebUI 技术资料 GraphRAG 结合了图数据库 Neo4j 以及大型语言模型的能力来处理非结构化数据并将其转化为可查询的图形表示形式[^1]。对于希望构建基于浏览器界面的应用程序来说，Open-WebUI 提供了一个直观的方式让用户能够与这些复杂的数据集互动。 #### GraphRAG Open-WebUI 项目文档概述 为了帮助开发者更好地理解和应用这一框架组合，在官方提供的资源中包含了详细的安装指南、配置说明和技术细节描述： - **环境搭建**：介绍了如何设置开发环境，包括所需软件版本及其兼容性要求。 - **核心概念解释**：深入探讨了GraphRAG的工作原理，特别是它怎样利用自然语言处理技术和图谱存储机制来进行信息检索优化。 - **API 参考手册**：列举了所有可用接口函数，并附带参数定义及返回值样例。 - **最佳实践建议**：分享了一些实际操作中的技巧和注意事项，旨在提高系统的性能表现。 #### 使用教程概览 通过一系列循序渐进的教学视频或图文步骤指导新用户掌握从零开始创建自己的GraphRAG应用程序的方法： - **入门引导**：带领读者完成首个简单实例——将一段文本输入转换成可视化节点关系网络展示出来。 - **高级特性探索**：进一步介绍更多高级功能如自定义实体识别器训练、多模态数据分析等特色模块。 - **案例研究分析**：选取几个典型应用场景作为范本进行剖析，让学习者可以借鉴成功经验应用于个人项目之中。 #### 获取源码下载链接 针对有兴趣深入了解内部工作流程或是想要在此基础上做二次开发的技术爱好者们，提供了完整的GitHub仓库地址以便随时查阅最新版源代码文件: ```plaintext https://github.com/your-repo/graphrag-openwebui.git ``` 请注意定期查看官方公告页面获取更新通知和其他重要消息发布。
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