行業(yè)首創(chuàng) ！Graph RAG：基于知識圖譜的檢索增強技術(shù)與優(yōu)勢對比（附 Demo）

身處信息爆炸時代，如何從海量信息中獲取準(zhǔn)確全面的搜索結(jié)果，并以更直觀、可讀的方式呈現(xiàn)出來是大家期待達成的目標(biāo)。傳統(tǒng)的搜索增強技術(shù)受限于訓(xùn)練文本數(shù)量、質(zhì)量等問題，對于復(fù)雜或多義詞查詢效果不佳，更無法滿足 ChatGPT 等大語言模型應(yīng)用帶來的大規(guī)模、高并發(fā)的復(fù)雜關(guān)聯(lián)查詢需求。

在此背景下，悅數(shù)圖數(shù)據(jù)庫率先實現(xiàn)了與 Llama Index、LangChain 等大語言模型框架的深度適配并在行業(yè)內(nèi)首次提出了 Graph RAG（基于圖技術(shù)的檢索增強）的概念，利用知識圖譜結(jié)合大語言模型（LLM）為搜索引擎提供更全面的上下文信息，可以幫助用戶以更低成本獲得更智能、更精準(zhǔn)的搜索結(jié)果。目前，悅數(shù)圖數(shù)據(jù)庫推出的這項技術(shù)在與向量數(shù)據(jù)庫結(jié)合的領(lǐng)域也獲得了相當(dāng)不錯的效果。

今天我們就一起來了解下什么是 Graph RAG 以及它與其他 RAG 技術(shù)的對比，也歡迎進入 悅數(shù)圖數(shù)據(jù)庫 官網(wǎng)，通過 Demo 直觀感受這一功能。

在傳統(tǒng)的搜索引擎中，檢索結(jié)果通常是基于關(guān)鍵詞的匹配。而隨著用戶對搜索精確度和詞匯聯(lián)想能力要求的提高，傳統(tǒng)的搜索結(jié)果往往難以滿足用戶的實際需求，尤其是在處理復(fù)雜的問題和長尾查詢時，效果會明顯降低。

為了解決這類問題，RAG 搜索增強技術(shù)應(yīng)運而生。RAG （Retrieval-Augmented Generation），指的是通過 RAG 模型來對搜索結(jié)果進行增強的過程。具體來說，它是將檢索技術(shù)和語言生成技術(shù)相結(jié)合來增強生成過程的一種技術(shù)，可以幫助傳統(tǒng)搜索引擎生成更加準(zhǔn)確、相關(guān)和多樣化的信息來滿足用戶的需求。

而為了使搜索結(jié)果更精準(zhǔn)，RAG 技術(shù)仍然面臨訓(xùn)練數(shù)據(jù)和文本理解的挑戰(zhàn)：

• 訓(xùn)練數(shù)據(jù)：RAG 技術(shù)需要大量的數(shù)據(jù)和計算資源來訓(xùn)練和生成模型，尤其是在處理多語言和復(fù)雜任務(wù)時，但是互聯(lián)網(wǎng)上文本的質(zhì)量和準(zhǔn)確性是有限的，訓(xùn)練數(shù)據(jù)的不足會直接影響生成內(nèi)容的質(zhì)量

• 文本理解：RAG 需要理解查詢的意圖，但是對于復(fù)雜的查詢或者多義詞查詢，RAG 可能會出現(xiàn)歧義或不確定性，從而影響生成的質(zhì)量

因此，如何找到更強大的檢索增強技術(shù)，以更高效率獲得更符合搜索者的預(yù)期的搜索結(jié)果的問題就顯得更迫在眉睫。

「Graph RAG」是由悅數(shù)圖數(shù)據(jù)率先提出的概念，它是一種基于知識圖譜的檢索增強技術(shù)，通過構(gòu)建圖模型的知識表達，將實體和關(guān)系之間的聯(lián)系用圖的形式進行展示，然后利用大語言模型 LLM（Large Language Model）進行檢索增強。

在之前 和 Llama Index 的直播研討會 中我們提到，圖數(shù)據(jù)庫憑借圖形格式組織和連接信息的方式，天然適合存儲及表達復(fù)雜的上下文信息。通過圖技術(shù)構(gòu)建知識圖譜提升 In-Context Learning 的全面性為用戶提供更多的上下文信息，能夠幫助大語言模型（LLM）更好地理解實體間的關(guān)系，提升自己的表達和推理能力。

Graph RAG 將知識圖譜等價于一個超大規(guī)模的詞匯表，而實體和關(guān)系則對應(yīng)于單詞。通過這種方式，Graph RAG 在檢索時能夠?qū)嶓w和關(guān)系作為單元進行聯(lián)合建模，從而更準(zhǔn)確地理解查詢意圖，并提供更精準(zhǔn)的檢索結(jié)果。

下面我們就通過 Demo 演示來直觀比較下 Graph RAG 與 Vector RAG、Text2Cypher 這三種檢索增強技術(shù)的區(qū)別和對比——

Graph RAG 與 Vector RAG 的對比

首先是 Vector RAG（向量檢索） 與 Graph + Vector RAG（圖技術(shù)增強的向量檢索）的對比。

• 左：Vector RAG 右：Graph RAG

以《銀河護衛(wèi)隊 3》的數(shù)據(jù)集為例，當(dāng)我們詢問“彼得·奎爾的相關(guān)信息”時，單獨使用向量檢索引擎只給出了簡單的身份、劇情、演員信息，而當(dāng)我們使用 Graph RAG 增強后的搜索結(jié)果，則提供了更多關(guān)于主角技能、角色目標(biāo)和身份變化的信息——在這個例子中我們不難看出， Graph RAG 的方法有效補充了 Embedding、向量搜索等傳統(tǒng)手段的不足。

Graph RAG 與 Text2Cypher 的對比

基于圖譜的 LLM 的另一種有趣方法是 Text2Cypher，即自然語言生成圖查詢。這種方法不依賴于實體的子圖檢索，而是將任務(wù)/問題翻譯成一個面向答案的特定圖查詢，和我們常說的 Text2SQL 本質(zhì)是一樣的。

Text2Cypher 和 Graph RAG 這兩種方法主要在其檢索機制上有所不同。Text2Cypher 根據(jù)知識圖譜的 Schema 和給定的任務(wù)生成圖形模式查詢，而 （Sub）Graph RAG 獲取相關(guān)的子圖以提供上下文。兩者都有其優(yōu)點，大家可以通過這個 demo ，更直觀理解他們的特點：

• 左：Text2Cypher 右：Graph RAG

我們可以看到兩者的圖查詢模式在可視化下是有非常清晰的差異的，基于 Graph RAG 實現(xiàn)的檢索明顯呈現(xiàn)出更豐富的結(jié)果。用戶不僅獲得了最基礎(chǔ)的介紹信息，更能得到“彼得·奎爾是銀河護衛(wèi)隊的領(lǐng)導(dǎo)者”、“這個角色暗示自己將在續(xù)集中回歸”以及角色性格等一系列基于關(guān)聯(lián)搜索和上下文進行推理得出的結(jié)果。

悅數(shù)圖數(shù)據(jù)庫不僅是國內(nèi)首家提出 Graph RAG 概念的廠商，也率先實現(xiàn)了與大語言模型框架 Llama Index 、LangChain 等的深度適配，因此開發(fā)者可以專注于 LLM 的編排邏輯和 pipeline 設(shè)計，而不用親自處理很多細節(jié)的抽象與實現(xiàn)，一站式生成高質(zhì)量、低成本的企業(yè)級大語言模型應(yīng)用。

Graph RAG 技術(shù)的出現(xiàn)可以說是為海量信息處理和檢索帶來了全新的思路。通過將知識圖譜、圖存儲集成到大語言模型（LLM） 技術(shù)棧中，Graph RAG 把上下文學(xué)習(xí)推向了一個新的高度。目前，用戶基于悅數(shù)圖數(shù)據(jù)庫 僅需要 3 行代碼就可以輕松搭建 Graph RAG，甚至整合更復(fù)雜的 RAG 邏輯，比如 Graph+Vector RAG。

選擇相信隨著圖技術(shù)和深度學(xué)習(xí)算法的進一步發(fā)展，Graph RAG 技術(shù)在信息處理和檢索領(lǐng)域的應(yīng)用也會越來越廣泛。歡迎大家點擊【聯(lián)系我們】獲取悅數(shù)圖數(shù)據(jù)的免費試用機會，輕松構(gòu)建您的專屬知識圖譜應(yīng)用！