【大模型之Graph RAG系列之二】对比传统RAG技术中使用的向量搜索技术，知识图谱有哪些优缺点？

原创 已于 2024-11-01 09:42:28 修改 · 821 阅读 · 8 ·
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：

#大模型 #RAG #AI编程 #向量搜索 #图搜索 #知识图谱

于 2024-10-31 19:04:35 首次发布

向量搜索和知识图谱是两项用于改善搜索体验的重要技术。结合这两种技术形成的Graph RAG可以进一步提高搜索的准确性和上下文相关性。本文将深入对比向量搜索和知识图谱，让读者快速了解这两种技术的原理及优缺点，以便于将来的技术决策。

向量搜索

向量搜索是一种用于在数据集中找到相似项目的技术。它通过以下方式工作：

  • 将每个项目转换成向量（数学特征表示）
  • 使用距离度量计算向量间的相似度
  • 即使查询不完全匹配，也能找到相似项目

在这里插入图片描述

知识图谱

知识图谱是一种特殊的数据结构，具有以下特点：

  • 将信息表示为节点和关系的网络
  • 节点表示实体
  • 关系表示实体之间的联系
    在这里插入图片描述

向量搜索和知识图谱的对比

特性 向量搜索 知识图谱搜索
数据结构 高维向量空间 节点和边的图结构
数据类型 文本、图像、音频等嵌入向量 实体（如人、地点、事件）及其关系
搜索方法<
最低0.47元/天 解锁文章
大模型系列——一文搞懂RAG构建知识库和知识图谱
2401_84052244的博客
04-29 430
向量化通过Embedding模型将非结构化数据（文本、图像等）映射为高维语义向量，存储则依托专用向量数据库（如ElasticSearch的dense_vector字段、Milvus）构建高效索引（HNSW、FAISS），支持近似最近邻搜索（ANN）实现大规模向量数据的快速相似性匹配。RAG构建知识库的核心在于将外部知识检索与大语言模型生成能力结合，通过高效检索为生成提供上下文支持，从而提升答案的准确性和时效性。**二、知识库和知识图谱********检索与生成的协同****三、Prompt 工程实践。
突破传统RAG局限：GraphRAG如何提升大模型问答能力？
xx_nm98的博客
10-25 934
大模型存在不可避免的幻觉问题，这正是RAG（检索增强生成）发挥作用的地方。RAG通过连接外部数据源，将事实型知识引入大模型。但是，传统基于向量的RAG仍有其局限性，传统RAG是将数据分解成文本块，并独立检索这些片段，这可能导致遗漏信息片段之间的关系，缺乏全局视角。GraphRAG是一种正在兴起的RAG技术，利用知识图谱来表示数据和元数据，同时还可以将文本或节点嵌入到图中。GraphRAG通过将知识图谱融入检索过程，提升传统RAG的性能，更好地理解语义关联。
知识图谱和向量库
pumpkin84514的博客
07-15 1223
通过结合知识图谱和向量库，可以实现强大的知识检索和生成系统（RAG）。知识图谱捕捉结构化的语义关系，向量库提供高效的相似性搜索。结合这两者，可以构建一个更智能、更高效的知识库系统，用于问答和生成任务。
大模型论文 | 大模型检索-推理协同技术详解：解决LLM两大瓶颈的完整指南
Code1994的博客
09-09 1044
本文系统探讨了检索-推理系统在大语言模型中的应用，针对知识幻觉与推理不足两大瓶颈，详细分析了推理增强型RAG、RAG增强型推理及协同检索-推理框架三种方法。文章阐述了检索优化、整合优化、生成优化等关键技术路线，以及推理工作流和智能体编排两大协同范式，并对推理效率、检索效率、人机协作等挑战与未来发展方向进行了展望，为构建高效可信的大模型系统提供了重要参考。大语言模型虽然具备强大的生成能力，但仍受困于两大瓶颈：知识幻觉与复杂推理不足。传统RAG技术虽能增强事实性，却难以应对多步推理；
【项目实训】新增根据关键词模糊查询大模型生成的相应公司的问题
m0_63711281的博客
06-24 387
为了完善项目，我们计划新增一个页面，以实现用户输入关键词，从而到数据库中模糊查询。实现逻辑：用户输入关键词，选择公司，首先根据公司查询该公司的高频考点，（如果用户没有选择公司，则不匹配公司名称，自动匹配关键词即可），查询到高频考点后，进入大模型生成的问题的表llmquestion中，模糊查询问题，从而在前端显示该公司对应于该关键词可能提问的问题，以供用户参考。
GraphRAG
Logan
09-30 498
graph rag
下一代 RAG 技术来了！微软正式开源 GraphRAG
stephen147的博客
07-08 8026
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。
【大模型之Graph RAG系列之一】由谷歌搜索的演进看知识图谱如何改进RAG技术
surfirst的博客
10-30 825
传统的基于向量的RAG（Retrieval Augmented Generation）技术在面对海量数据时，常常面临着与互联网早期AltaVista现象相似的问题，即搜索结果准确性低，用户难以快速找到所需信息。本文旨在探讨一种新的基于知识图谱的RAG技术，它被认为是提升智能搜索准确度的关键方向之一。
2025企业级RAG技术选型指南：向量库、知识图谱与关系库深度对比
分享平时的学习心得和笔记
05-09 1214
本文探讨了技术选型中的核心矛盾——效率、准确性与成本的三角博弈，并详细分析了向量数据库、知识图谱和关系数据库在不同场景下的应用。通过技术指标对比和实战案例，展示了各技术的优势和局限。文章还提出了混合架构的创新实践，通过分层存储和路由决策引擎实现技术的最优组合。最后，提供了企业选型的决策树指南，并预测了未来AI原生数据库的发展趋势。文章旨在帮助读者在实际项目中做出更明智的技术选择。
落地RAG时，选择向量数据库、知识图谱还是关系数据库？实操对比与选型指南
分享平时的学习心得和笔记
05-09 730
向量数据库是快速落地的利器，知识图谱是复杂场景的破局者，关系数据库则是传统系统的可靠基石。混合架构的兴起，正在重新定义智能系统的边界——未来的企业级应用，必然是"多模态存储+动态推理"的融合体。你是否在RAG（检索增强生成）落地时纠结过：向量数据库、知识图谱、关系数据库三种存储方案应该如何选择？本文将通过场景对比、代码示例、成本分析，为你提供一套清晰的决策框架，助你快速找到适合业务的方案。适用场景：医疗诊断、金融风控、法律咨询等需要多跳推理的领域。二、知识图谱：复杂关系推理的"智能大脑"
破局知识幻觉！清华万字综述：Agentic RAG如何让AI真正会思考？RAG-Reasoning系统避坑指南！
Python_cocola的博客
09-06 642
大语言模型虽然具备强大的生成能力，但仍受困于两大瓶颈：知识幻觉与复杂推理不足。传统RAG技术虽能增强事实性，却难以应对多步推理；纯推理方法又常因缺乏事实支撑而失真。
基于图的 RAG 方法总结（GraphRAG、 GraphReader、LightRAG、HippoRAG和KAG）
Q2024107的博客
05-28 2063
本文系统分析了五种基于图结构的RAG方法：GraphRAG通过层次社区实现多粒度理解，适合全局分析；GraphReader采用智能体探索长文档；HippoRAG模拟海马体记忆机制优化多跳检索；LightRAG通过双层检索平衡效率与动态适应性；KAG整合符号推理解决专业领域问题。各方法在文本理解、推理能力和适用场景上各具特色：GraphRAG和GraphReader擅长长文本处理，HippoRAG优化多跳检索，LightRAG侧重实时响应，KAG专精复杂推理。选择需综合考虑任务需求、数据特性及成本，如法律领域
graphRAG有什么优缺点吗？
强化学习曾小健
07-01 749
在实际应用中，GraphRAG 的索引创建和查询处理可能引发高昂的成本。例如，处理一本近200页的小说，使用 GPT-4 创建索引和进行一次问答，可能花费约11美元。GraphRAG 适用于需要理解复杂关系和多步推理的领域，如法律研究、医疗诊断、金融分析和社会网络分析等。在选择使用 GraphRAG 时，需要权衡其在复杂推理和关系理解方面的优势与构建和维护的成本，以及计算资源的消耗。之间的关系，提供更丰富的上下文，有助于生成更准确的回答。，适用于需要复杂推理的问题，如法律研究和医疗诊断。
使用大模型进行自然语言查询数据库：轻松实现数据检索与分析
2401_84494441的博客
12-24 6002
演示了如何使用大模型，将自然语言生成sql，并将sql查询结果，以自然语言形式回答想得到预期结果，十分依赖大模型能力和相关的提示词目前测试，gpt4效果最好，国内云端模型qwen高级模型较好，其他云端模型问题较多本文主要使用qwen2:7b, 在检索阶段（自然语言生成sql）可能需要依赖更强的云端模型初步结论，如果采用 nl2sql 方式，需要能力更高的云端或者自己微调的本地模型。
知识图谱融入向量数据库，带来RAG效果飞升
2401_85325397的博客
10-16 1199
随着大型语言模型（LLMs）在各种应用中的广泛使用，如何提升其回答的准确性和相关性成为一个关键问题。检索增强生成（RAG）技术通过整合外部知识库，为LLMs提供了额外的背景信息，有效地改善了模型的幻觉、领域知识不足等问题。然而，仅依靠简单的 RAG 范式存在一定的局限性，尤其在处理复杂的实体关系和多跳问题时，模型往往难以提供准确的回答。
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
m0_63171455的博客
09-04 4399
其借助社区检测算法来识别知识图谱中的多个社区，并利用LLM对这些社区进行总结与摘要。因此，当回答类似这样的问题：“最近几年高端智能手机的整体发展趋势是怎样的？Microsoft GraphRAG会通过Map-Reduce算法首先从多个不同的关联社区（比如不同年份社区）来搜集到“高端智能手机”的信息（Map），最后汇总生成全局性答案（Reduce）。
九析带你轻松完爆AI大模型(十四)---GraphRAG局限与不足
yangpiqiulaotou的博客
11-19 867
九析老师：“第三 安全和隐私，RAG相比大模型预训练与微调，在数据的安全和隐私方面都已经有了一些改善，保证数据尽可能少的从企业内部泄露到企业外部，但RAG却很难在企业内部做到数据安全。也就是说，老板和基层员工针对相同的问题检索生成的结果大概率是相近的，并非会因为老板职级高就返回更机密、更多的信息，基层员工职级低，相应返回的信息就少。无论是大模型还是向量数据库，都没有特别好的办法来限制数据的访问范围，或通过权限控制来规范参与者和访问数据库的范围，让不同角色的人看到属于各自权限内允许看到的数据。
三大AI编程助手深度技术解析：Trae、CodeBuddy、Qoder的架构设计与工程实践
技术的学习与积累是个技术活
11-24 1063
本文深度解析了字节Trae、腾讯CodeBuddy和阿里Qoder三款AI编程助手的系统架构与技术特点。Trae采用多模态智能体架构，擅长自动化工作流；CodeBuddy基于语义驱动的四维架构，实现闭环开发；Qoder通过Quest抽象层支持异步协作。文章对比了三者在响应速度、准确率等性能指标上的差异，并提供了针对不同开发场景的选型建议和优化技巧。随着技术发展，AI编程助手正从代码生成工具向全流程开发伙伴演进，未来将在上下文理解深度、系统设计能力和团队协作模式等方面持续突破。
基于贝叶斯优化CNN-LSTM混合神经网络预测（Matlab代码实现）
最新发布
12-03
内容概要：本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用，并提供了完整的Matlab代码实现。该模型结合了卷积神经网络（CNN）在特征提取方面的优势与长短期记忆网络（LSTM）在处理时序依赖问题上的强大能力，形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参，提升了模型的预测精度与泛化能力，适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析，突出其在科研与工程应用中的实用性。; 适合人群：具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测（Matlab代码实现）础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员，尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标：①解决各类时间序列预测问题，如能源出力预测、电力负荷预测、环境数据预测等；②学习如何将CNN-LSTM模型与贝叶斯优化相结合，提升模型性能；③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议：建议读者结合提供的Matlab代码进行实践操作，重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑，通过调整数据集和参数加深对模型工作机制的理解，同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

surfirst

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