解读 Graph RAG：从大规模文档中发现规律，找到相互关系，速度更快，信息更全面！

通过检索增强生成（RAG）技术，从而让大模型调用外部知识源（比如个人和公司保存的大量文档）回答问题。

但是当回答针对整个文本语料库的全局性问题，如“数据集中的主要主题是什么？”，RAG却无能为力。

因为这类问题本质上是查询聚焦摘要（QFS）任务，而非一个明确的检索任务。

怎么办呢？

微软提出的知识图谱RAG（以下使用：Graph RAG）技术，能够将复杂的、大规模文本数据集转化为易于理解和操作的知识结构，以便更好地理解实体（如人物、地点、机构等）之间的相互关系。

你可以把该技术理解为通过两个步骤简化文本索引：

首先，利用大型语言模型从文档中提取关键信息，构建出反映实体间关系的知识图谱；

然后，为这些实体的集合生成精炼的摘要。当用户提问时，系统会根据这些摘要生成初步答案，并将它们综合起来，提供一个全面的回答。

例如，当你想了解一个百万条信息的数据集包含哪些主题或者实体时，Graph RAG就能给出更丰富、更全面的答案。

总结起来，优势在于跨文档处理！检索更快，更准确！利于发现实体之间联系！

在AI大模型时代，这项技术提升了个人和组织，从大规模文本中提取深层次信息的能力，帮助你从众多文档中发现新信息。

以下是实现细节解读，更详细的可查看：https://arxiv.org/pdf/2404.16130v1

运用场景

Graph RAG的应用场景众多，比如用于深度信息提取，提取出隐藏在数据表层之下的关键信息和联系；为决策者提供快速、准确的信息摘要，提高决策效率。

我们看几个具体运用的例子：

假如你是科研人员，你可以通过Graph RAG快速梳理大量文献，从跨学科的资料中提取核心观点和最新研究进展，更便于撰写文献综述。

其次，还可以借助Graph RAG快速梳理某一领域的文献，识别关键主题、理论发展和研究空白，从而加速科学发现。

假如你是政策研究者，你可以借助Graph RAG从大量的政策文件、社会反馈和经济数据中提取关键信息，评估政策效果，指导政策制定，优化政策设计。

在法律行业，律师可以使用Graph RAG来梳理案件文档、法律条文和相关判例，快速定位到案件的关键点和相关法律依据，提高案件处理的效率。

新闻机构和内容创作者，可以利用Graph RAG从繁杂的资料中提炼核心信息，生成深度报道和评论，提高内容的质量。

那么Graph RAG是如何实现呢？

实现步骤

Graph RAG的关键步骤如下：

• • 源文档分割：将文档合理切分成文本块，为大模型处理优化输入。

• • 提取实例：从文本块中精准提取实体和关系的实例。

• • 实例摘要化：将实体和关系的实例转换为精炼的摘要。

• • 构建图社区：利用元素摘要通过社区检测算法构建图社区。

• • 生成社区摘要：为每个图社区创建全面摘要，捕捉核心内容。

• • 生成全局答案：通过整合社区摘要，高效生成针对用户查询的全面答案。

源文档分割

将原始文档被精心切分为易于处理的文本块。这一过程对于确定大模型的调用频率和信息抽取的准确性至关重要。

虽然文本块越多越好，但是你需要评估准确率和召回率，以最大化大模型的上下文窗口召回率，同时避免因文本过长而导致信息遗漏。

提取实例

将每个文本块被送入大模型，以识别和提取图中的节点和边的实例。

这一步骤通过多部分大模型提示词实现，首先识别文本中的所有实体及其属性，然后识别实体间的关系。

这些信息以一组分隔的元组形式输出，为构建图索引做好准备。

实例摘要化

利用大模型对实体、关系和声明的描述进行抽象总结，形成对概念的独立有意义的摘要。

这一过程依赖于大模型对文本本身未明确表述的概念（如隐含关系）的理解能力。

图 基础层级的社区

构建图社区

将上一步生成的摘要进一步整合，形成图社区。

这一步骤中，使用如Leiden算法等社区检测技术，将图划分为多个社区，每个社区内的节点彼此间联系更为紧密，代表了数据集中的相关主题或概念集合。

生成社区摘要

为每个社区生成摘要，这些摘要不仅有助于理解数据集的全局结构和语义，而且在没有具体查询的情况下，也可用于对整个文档集合的理解。

社区摘要的生成考虑了节点的重要性和连接度，以确保社区内的关键信息被有效捕捉。

生成全局答案

利用社区摘要生成对用户查询的全局答案。

首先，社区摘要被随机分配并分块，以适应LLM的上下文窗口大小。然后，对每个块并行生成中间答案，并由LLM评估答案的相关性。

最后根据答案的相关性分数进行排序，逐步汇总形成最终答案。

效果评估

作者使用了两个大规模数据集来验证Graph RAG方法的有效性：一个包含1669个文本块的播客转录数据集（约100万个token）和一个包含3197个文本块的新闻文章数据集（约170万个token）。相当于10本小说。

通过与naive RAG和全局文本摘要方法（TS）的比较，Graph RAG在全面性和多样性上优势明显，尤其是在使用8k tokens上下文窗口时，全面性胜率为58.1%，多样性胜率为52.4%。

此外，Graph RAG在根级别社区摘要上的性能优于naive RAG，同时在token成本上更具优势。

微软打算推出一个开源的、基于Python的Graph RAG方法的实现，它既支持全局也支持局部的查询处理。可以在 https://aka.ms/graphrag 查到。

遗憾的是，现在还没有推出。可以先使用我们之前写的工具，见推荐阅读。

有人评价：公司越来越多地将知识图谱视为他们的长期优势，因为它可以作为可扩展的结构化领域专业知识的表达方式，可以用作RAG的基础构建模块，甚至可以使用已经完成的图谱在未来对特定模型进行微调。

换句话说，在第三方技术以惊人的速度发展的时代，专注于清理和准备特定领域的专有数据以供接入这些系统，代表着一个始终保持优势的基础构建模块。