跳转至

Graph RAG 面——一种基于知识图谱的大模型检索增强实现策略

来自： AiGC面试宝典

Image

宁静致远

2023年09月29日14:07

• Graph RAG (Retrieval-Augmented Generation) 面——一种基于知识图谱的大模型检索增强实现策略

一、为什么需要 Graph RAG?

二、什么是 Graph RAG?

五、用示例介绍 Graph RAG?

三、Graph RAG 思路介绍？

四、用代码介绍 Graph RAG？

六、Graph RAG 排序优化方式？

地址：https://siwei.io/graph-rag/

致谢

一、 为什么需要 Graph RAG?

虽然 llamaindex 能够利用摘要索引进行增强的方案，但这些都是利用非结构化文本在做。

对于知识图谱，是否可以将其作为一路召回，提高检索的相关性，这个可以利用好知识图谱内部的知识。知识图谱可以减少基于嵌入的语义搜索所导致的不准确性。

eg：“保温大棚”与“保温杯”，尽管在语义上两者是存在相关性的，但在大多数场景下，这种通用语义（Embedding）下的相关性很高，进而作为错误的上下文而引入“幻觉”。这时候，可以利用领域知识的知识图谱来缓解这种幻觉。

二、 什么是 Graph RAG?

Graph RAG（Retrieval-Augmented Generation），是一种基于知识图谱的检索增强技术，通过构建图模型的知识表达，将实体和关系之间的联系用图的形式进行展示，然后利用大语言模型LLM进行检索增强。

三、 Graph RAG 思路介绍？

Graph RAG将知识图谱等价于一个超大规模的词汇表，而实体和关系则对应于单词。通过这种方式，Graph RAG在检索时能够将实体和关系作为单元进行联合建模。

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

def simple_graph_rag(query_str, nebulagraph_store, llm): entities = _get_key_entities(query_str, llm) graph_rag_context = _retrieve_subgraph_context(entities) return _synthesize_answer( query_str, graph_rag_context, llm)

四、 用代码介绍 Graph RAG？

  1. 使用LLM（或其他）模型从问题中提取关键实体。

def _get_key_entities(query_str, llm=None, with_llm=True): ... return _expand_synonyms(entities)

  1. 根据这些实体检索子图，深入到一定的深度，例如可以是2度甚至更多。

def _get_key_entities(query_str, llm=None, with_llm=True): ... return _expand_synonyms(entities)

  1. 利用获得的上下文利用LLM产生答案

def _synthesize_answer(query_str, graph_rag_context, llm): return llm.predict(PROMPT_SYNTHESIZE_AND_REFINE, query_str, graph_rag_context)

这样一来，知识图谱召回可以作为一路和传统的召回进行融合。

五、 用示例介绍 Graph RAG？

示例一：当用户输入，tell me about Peter quill时，先识别关键词quil，编写cypher语句获得二跳结果。

Image

示例二

用户输入：Tell me events about NASA

得到关键词：Query keywords: ['NASA', 'events']

召回二度逻辑：

Extracted relationships: The following are knowledge triplets in max depth 2 in the form of `subject [predicate, object, predicate_next_hop, object_next_hop ...]

nasa ['public release date', 'mid-2023']

nasa [ 'publishes images of', 'debris disk'] nasa ['discovers', 'exoplanet lhs 475 b']

送入LLM完成问答。 INFO:llama_index.indices.knowledge_graph.retriever:> Starting query: Tell me events about NASA

Starting query: Tell me events about NASA Starting query: Tell me events about NASA INFO:llama_index.indices.knowledge_graph.retriever:> Query keywords: ['NASA', 'events'] Query keywords: ['NASA', 'events'] Query keywords: ['NASA', 'events'] INFO:llama_index.indices.knowledge_graph.retriever:> Extracted relationships: The following are knowledge triplets in max depth 2 in the form of subject [predicate, object, predicate_next_hop, object_next_hop ...] nasa ['public release date', 'mid-2023'] nasa ['announces', 'future space telescope programs'] nasa ['publishes images of', 'debris disk'] nasa ['discovers', 'exoplanet lhs 475 b'] Extracted relationships: The following are knowledge triplets in max depth 2 in the form of subject [predicate, object, predicate_next_hop, object_next_hop ...] nasa ['public release date', 'mid-2023'] nasa ['announces', 'future space telescope programs'] nasa ['publishes images of', 'debris disk'] nasa ['discovers', 'exoplanet lhs 475 b'] Extracted relationships: The following are knowledge triplets in max depth 2 in the form of subject [predicate, object, predicate_next_hop, object_next_hop ...] nasa ['public release date', 'mid-2023'] nasa ['announces', 'future space telescope programs'] nasa ['publishes images of', 'debris disk'] nasa ['discovers', 'exoplanet lhs 475 b'] Extracted relationships: The following are knowledge triplets in max depth 2 in the form of subject [predicate, object, predicate_next_hop, object_next_hop ...] nasa ['public release date', 'mid-2023'] nasa ['announces', 'future space telescope programs'] nasa ['publishes images of', 'debris disk'] nasa ['discovers', 'exoplanet lhs 475 b'] [get_response] Total LLM token usage: 159 tokens [get_response] Total LLM token usage: 159 tokens [get_response] Total LLM token usage: 159 tokens INFO:llama_index.token_counter.token_counter:> [get_response] Total embedding token usage: 0 tokens [get_response] Total embedding token usage: 0 tokens [get_response] Total embedding token usage: 0 tokens INFO:llama_index.token_counter.token_counter:> [get_response] Total LLM token usage: 159 tokens [get_response] Total LLM token usage: 159 tokens [get_response] Total LLM token usage: 159 tokens INFO:llama_index.token_counter.token_counter:> [get_response] Total embedding token usage: 0 tokens [get_response] Total embedding token usage: 0 tokens

六、 Graph RAG 排序优化方式？

Image

基于知识图谱召回的方法可以和其他召回方法一起融合，但这种方式在图谱规模很大时其实是有提升空间的。

突出的缺点在于：

· 子图召回的多条路径中可能会出现多种不相关的。

· 实体识别阶段的精度也有限，采用关键词提取还比较暴力，方法也值得商榷。

· 这种方式依赖于一个基础知识图谱库，如果数据量以及广度不够，有可能会引入噪声。因此，还可以再加入路径排序环节，可参考先粗排后精排的方式，同样走过滤逻辑。

例如，

在粗排阶段，根据问题query和候选路径path的特征，对候选路径进行粗排，采用LightGBM机器学习模型，保留topn条路径：

字符重合数

词重合数

编辑距离

path跳数

path长度

字符的Jaccard相似度

  • 词语的Jaccard相似度

  • path中的关系数

  • path中的实体个数

  • path中的答案个数

· 判断query和path中是否都包含数字 · 获取数字的Jaccrad的相似度

在精排阶段，采用预训练语言模型，计算query和粗排阶段的path的语义匹配度，选择得分top2-3答案路径作为答案。

Logits分布

Image
Image