知识图谱问答召回机制-llm-graph-builder

背景

以Neo4j开源的 llm-graph-builder （以下简称 LGB）为例，说明 graph + RAG的模式下，如何进行知识的召回操作。

原理说明

graph + RAG模式下，依旧保持了RAG的思想，使用了向量作为语义召回的手段。

• 在 LGB 中，对于用户提出的问题，系统首先会将问题进行 Embedding 操作，从而得到问题的向量表示。
• 使用问题的向量表示，去neo4j中召回相关的文档片段，并按照所属文档进行分组。
• 从召回的文档片段中，找出基于片段生成的实体，并根据实体关联的文本片段数进行排序，取前25个。
• 寻找从实体 e 出发，通过最多1步的关系（排除 HAS_ENTITY 和 PART_OF 关系）到达的路径，这些路径不能包含 Chunk 和 Document 类型的节点。

collect { OPTIONAL MATCH path=(e)(()-[rels:!HAS_ENTITY&!PART_OF]-()){0,1}(:!Chunk&!Document) RETURN path }

• 从上述实体中，找出实体的相关关系，并返回关系列表

// de-duplicate nodes and relationships across chunks
RETURN collect{ unw