图怎么用RAG？北大等最新《图检索增强生成(GraphRAG)》综述

文章预览

近年来，检索增强生成（RAG）在应对大语言模型（LLMs）挑战方面取得了显著成功，而无需重新训练模型。通过引用外部知识库，RAG能够改进LLM的输出，有效缓解诸如“幻觉”、缺乏领域特定知识和信息过时等问题。然而，数据库中不同实体之间复杂的关系结构对RAG系统提出了挑战。对此，GraphRAG利用实体之间的结构信息，使得检索更加精确和全面，能够捕捉到关系性知识，并促进生成更准确且具有上下文意识的响应。 鉴于GraphRAG的创新性和潜力，对当前技术的系统性回顾显得尤为重要。本文首次提供了对GraphRAG方法的全面综述 。我们形式化了GraphRAG的工作流程，涵盖了基于图的索引、图引导的检索以及图增强生成。接着，我们概述了每个阶段的核心技术和训练方法。此外，我们还探讨了GraphRAG在下游任务、应用领域、评估方法和工业案例中的应用。 ………………………………