医学知识图谱驱动的GraphRAG：Deepseek-R1与Weaviate用于高级Chatbot

文章预览

摘要 大型语言模型（LLMs）显著推进了自然语言生成领域。然而，它们经常生成未经核实的输出，这影响了其在关键应用中的可靠性。在本研究中，我们提出了一个创新框架，通过检索增强生成技术将结构化的生物医学知识与LLMs相结合。我们的系统通过识别和精炼与年龄相关性黄斑变性（AMD）相关的医学摘要中的因果关系及命名实体来开发一个全面的知识图谱。利用基于向量的检索流程和本地部署的语言模型，我们的框架生成的回应既具有上下文相关性又可核实，并直接参考临床证据。实验结果显示，该方法显著减少了幻觉，提高了事实精确度，并改善了生成回应的清晰度，为高级生物医学聊天机器人应用提供了一个稳健的解决方案。 https://arxiv.org/abs/2502.11108 核心速览 研究背景 研究问题 ：这篇文章要解决的问题是如何在大语言模型（LLMs）生成 ………………………………