GraphRAG综述

GraphRAG

传统RAG的局限性

• 忽视关系 ：文本内容通常并非孤立而是相互关联的。传统的 RAG 无法捕获，仅靠语义相似性无法呈现的重要结构化关系知识。比如，在通过引用关系连接论文的引用网络中，传统的 RAG 方法侧重于依据查询找到相关论文，却忽略了论文之间重要的引用关系。
• 冗余信息 ：RAG 在连接成提示时，常以文本片段的形式重复内容，致使上下文过长，陷入“Lost in the Middle”的困境。Lost in the Middle：在处理需要识别相关上下文的信息的任务（文档问答、键值对索引）时，大模型对相关信息的位置很敏感；当相关的信息在输入prompt的开头或者结尾时，能够取得较好的效果，而当相关的信息在prompt中间部分时，性能会显著下降。
• 缺乏全局信息 ：RAG 只能检索文档的子集，无法全面掌握全局信息，因而在诸如查询聚焦摘要（Query-Focused Summarization，QFS）等任务中表现不佳。

概念

       graphRAG是将知识库被表示为一个由实体（例如人物、地点、事件等）和这些实体之间的关系组成的网络。graphRAG从知识库中中检索包含与给定查询相关的关系知识的图元素，这些元素可能包括用于生成响应的节点、三元组、路径或子图。

        三元组（Triple）是知识图谱中用于表示实体（Entities）及其相互关系（Relations）的基本数据单位，通常由主体，谓语，客体构成。

        Text-Attributed Graphs，简称TAG，是文本属性图的英文表达。它是 GraphRAG 中使用的图形数据的通用和通用格式。

技术逻辑

 基于图的索引（G-Indexing）

        识别或构建图数据库，并在其基础上建立索引，索引过程通常涵盖映射节点和边的属性，在相互连接的节点间建立指针，以及组织数据以支持快速遍历和检索操作。索引决定了后续检索阶段的精细程度。

图引导检索（G-Retrieval）

        根据用户的查询或输入从图形数据库中提取相关信息，在知识图谱中提取最相关的元素（例如，实体、三元组、路径、子图）

图增强生成（G-Generation）