视频字幕
GraphRAG 是一種創新的系統設計方法，它將傳統的檢索增強生成技術與知識圖譜相結合。這種結合能夠利用數據中豐富的關係信息，大幅改進檢索的準確性和生成結果的質量。與傳統 RAG 相比，GraphRAG 能夠理解實體之間的複雜關係，進行多跳推理，提供更加精確和全面的答案。
數據準備與信息抽取是 GraphRAG 系統的第一個關鍵步驟。我們需要從原始的非結構化或半結構化數據中抽取出有價值的信息。這包括識別文本中的實體，如人物、地點、組織和概念，以及這些實體之間的關係。同時還要提取實體的屬性信息，如日期、類型和數值。這個過程通常需要使用自然語言處理技術，包括命名實體識別和關係抽取等方法。
圖譜構建與表示學習是 GraphRAG 的核心步驟。我們將抽取出的實體作為圖譜的節點，將實體間的關係作為連接節點的邊。構建完成後，需要學習每個節點和邊的低維向量表示，也就是嵌入。這些向量能夠捕捉實體的語義信息和結構關係。我們可以使用圖神經網絡、Node2Vec 或知識圖譜嵌入等方法來學習這些表示，為後續的檢索和推理提供基礎。
基於圖譜的檢索策略是 GraphRAG 的關鍵優勢所在。當接收到用戶查詢時，系統首先分析查詢中的關鍵實體和概念，然後在知識圖譜中定位對應的節點。接下來，系統可以進行多種檢索操作：圖遍歷來發現相關的鄰居節點和路徑，圖模式匹配來找到符合特定結構的子圖，以及基於向量嵌入的相似度搜索來發現語義相關的實體。這種多層次的檢索策略能夠獲取更豐富和準確的上下文信息。
最後一步是結合圖譜信息的生成階段。系統將檢索到的圖譜信息進行序列化處理，包括相關的實體、關係和路徑信息，然後與原始的用戶查詢一起輸入到大語言模型中。LLM 利用這些豐富的結構化上下文信息進行推理，能夠理解實體間的複雜關係，進行多跳邏輯推理，最終生成準確且具有事實性的答案。這種方法顯著提升了傳統 RAG 系統的性能，特別是在需要複雜推理的任務中。