大模型与知识图谱结合用于推荐及LLM驱动分块ChunkRAG实现策略解读

文章预览

今天是2024年10月30日，星期三，北京，天气晴。 本文主要介绍2个工作，一个是RAG分块 进展ChunkRAG ，LLM驱动的块过滤方法，称为ChunkRAG，通过在块级别评估和过滤检索到的信息来增强RAG系统，该方法利用语义分块将文档划分为连贯的部分，并使用基于LLM的相关性评分来评估每个块与用户查询的对齐情况。 另一个是 知识图谱与大模型结合用于推荐的工作 ，KGLA框架，将知识图谱中的结构化信息转换为文本，并融入到用户代理的决策过程中，使得用户代理能够更好地理解和模拟用户的偏好，从而提高推荐系统的准确性和效果。通过在模拟阶段的自主交互和反思，以及在排名阶段的候选物品评估，算法能够生成更符合用户偏好的推荐列表。 这两个工作都有代表性，会有一些思路，供大家一起参考并思考。 二、RAG分块进展ChunkRAG 我们先来看看RAG进展，《Chu ………………………………