CONTENT

GraphRAG基础概念LPG：Labeled Property Graph借助LLM生成LPG优化算法莱顿社区检测Leiden algorithm图谱示例存储查询补充

GraphRAG

基础概念

LPG：Labeled Property Graph

ref: 实体与实体之间由关系链接

 

借助LLM生成LPG

ref

 

1. 命名实体识别：Named Entity Recognition

2. 关系抽取：Relation Extraction

3. 预设返回格式：设定LLM的输出格式，方便构建知识图谱
1. 加入预警纠错的提示

4. 特殊：Data Gleaning
1. 反复询问LLM有没有要补充的，直到返回无的信号
2. 相当于自补充和自纠错机制

5. 最后的图谱形式：
1. 每个chunk一个单独的实体关系链条
2. 最后由机械程序自动拼合独立chunk为整体图谱graph(合并实体，堆叠信息)
3. 终版：合并完成后交由LLM，再把堆叠的信息转化为自然语言
ref

 

GraphRAG一直保留着原文和graph之间的对应关系，方便后续查询query

优化算法

莱顿社区检测Leiden algorithm

1. 算法原理：网络优化

2. 跟GraphRAG的结合：
1. 将密集区单独成块，然后发给LLM，生成一段总结性描述
2. 该描述用于推理：从已知信息中借助逻辑工具，推理未知信息
ref

图谱示例

存储

1. 实体，关系，描述信息都作为单独的chunk文字片段，进行embedding，存入向量数据库

2. 原文，也chunk，进行embedding，存入向量数据库

查询

1. 跟普通RAG流程类似
1. 将问题embedding
2. 选择查询策略
3. 查询某层或某几层的graph
4. 将匹配信息与问题打包发给LLM

1. 常用策略：
1. Local Search：适用于从底层查起，细节丰富的问题
2. Global Search：适用于从顶层查起，全局结构的问题

补充

1. 费token，因为LLM全程参与

2. 论文依据：

论文依据（将LLM加入到GraphRAG构建额流程中，感觉不靠谱，但效果以外的不错）

ref：微软的论文