GraphRAG综述来了~

文章预览

论文：Graph Retrieval-Augmented Generation: A Survey 链接：https://arxiv.org/pdf/2408.08921 研究背景 这篇文章要解决的问题是 如何利用图结构信息来增强大型语言模型（LLMs）的生成能力，解决LLMs在处理特定领域知识、实时更新信息和专有知识方面的局限性 。 研究难点 包括：忽略文本之间的关系、冗余信息、缺乏全局信息等。 相关工作 有检索增强生成（RAG）和基于图的语言模型（LLMs on graphs），以及知识库问答（KBQA）。 这篇论文提出了 图检索增强生成（GraphRAG） 方法来解决上述问题。 具体来说， 图索引（G-Indexing） ：首先，构建或索引与下游任务相关的图数据库。图数据可以来自公开的知识图谱、自构建的数据或其他形式的数据。索引过程包括映射节点和边的属性，建立连接节点的指针，并组织数据以支持快速遍历和检索操作。 图引导检索（G-Retrieval） ： ………………………………