Graph RAG 面 —— 一种 基于知识图谱的大模型检索增强实现策略

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？
  • 三、Graph RAG 思路介绍？
  • 四、用代码 介绍 Graph RAG ？
  • 五、用 示例 介绍 Graph RAG ？
  • 六、Graph RAG 排序优化方式？
  • 致谢

地址：https://siwei.io/graph-rag/

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。

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)

GraphRAG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

四、用代码 介绍 Graph RAG ？

1. def _get_key_entities(query_str, llm=None ,with_llm=True):
   ...
   return _expand_synonyms(entities)
   使用LLM(或其他)模型从问题中提取关键实体。
2. 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)
3. def _synthesize_answer(query_str, graph_rag_context, llm):
   return llm.predict(PROMPT_SYNTHESIZE_AND_REFINE, query_str, graph_rag_context)
   利用获得的上下文利用LLM产生答案

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。

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：

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'] 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

> [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？

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，

• 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path的字符是否全在query中

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

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：

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。