微软GraphRAG 开启默认检索新篇章 (微软graphRAG neo4j)

本文目录导航：

• 微软GraphRAG，开启默认检索新篇章
• 微软开源的GraphRAG爆火，Github Star量破万，生成式AI进入常识图谱时代？
• 领英最佳通常：用于客服问答的经常使用常识图谱的RAG

微软GraphRAG，开启默认检索新篇章

GraphRAG，微软基于图的检索增强生成技术，旨在经过集成常识图谱与大型言语模型（LLMs）来优化问答功能。

这一翻新方法应用图数据库的结构化个性，高效准确地检索消息，为生成照应提供撑持。

GraphRAG的开发团队来自微软钻研部门，其开源后迅速取得高度关注，成为抢手名目。

向量数据库作为基础，以向量为数据类型，长于处置和存储大规模数据。

其外围上班包括数据向量化、向量索引和相似性搜查算法。

向量数据库支持多种运行场景，包括人脸识别、介绍系统、图片搜查等，展现了处置非结构化数据的优点。

RAG模型在常识密集型义务中展现出局限性，GraphRAG经过常识图谱与图机器学习，加弱小言语模型才干。

GraphRAG构建常识图谱，经过消息提取和衔接，图嵌入与照应推理，以及生成图查问等步骤，超过消息片段提供分解新见地。

全体成果优于传统豪华RAG方法。

GraphRAG与向量数据库联合，成功高效数据示意与存储、检索与生成，以及多模态数据处置。

经过图结构与向量方式，联合生成模型，成功极速准确检索和生成。

在默认问答系统等场景中，GraphRAG与向量数据库的联合清楚优化了效率和准确性。

未来，GraphRAG有望拓展运行范围，优化检索与生成才干，兼容更少数据库技术，提供高品质高低文。

运行于默认介绍系统、欺诈检测等畛域，优化用户体验和功能。

随着技术提高，GraphRAG及相关技术将在数据处置和检索畛域施展更大作用。

微软开源的GraphRAG爆火，Github Star量破万，生成式AI进入常识图谱时代？

LLM技术存在一些应战，包括幻觉、解释性差、不足重点和隐衷安保疑问。

为优化LLM的生成品质和结果适用性，检索增强式生成（RAG）应运而生。

微软最近颁布的GraphRAG常识库开源打算，上线即引发关注，目前已有10,500多个星标。

RAG技术准许经过向量相似性搜查来改善LLM输入。

微软Azure提供了合规且稳固地经常使用ChatGPT的路径，包括对接微软Azure提供的OpenAI才干以及经过企业资质放开的方式。

相比官网渠道，Azure路径在国际经常使用更为非法且稳固。

企业用户经过微软官网协作同伴，如全云在线，能够取得ChatGPT的绿色放开通道，包括最新版本的GPT-4和Dalle-3，成功合规经常使用。

GraphRAG应用LLM生成常识图谱，特意在处置复杂消息和私有数据时展现出清楚优点。

它比传统的RAG在问答功能上愈加杰出，且能提供更准确、更完整、更有用的答案。

Neo4j的CTO Philip Rathle撰文详细引见了GraphRAG原理，强调常识图谱对生成式AI运行的关键性。

常识图谱与向量RAG相比，具有更直观的结构，便于了解数据间的关联。

经过常识图谱，可以更好地追踪决策环节，提供更明晰的解释。

常识图谱还能增强安保性、隐衷包全以及数据的可审计性，满足不同行业的需求。

构建常识图谱的关键是创立畛域图谱和词汇图谱，前者示意与运行相关的环球模型，后者则蕴含文档结构的消息。

畛域图谱可以从结构化或非结构化数据源创立，而词汇图谱则可以经过便捷的解析和分块生成。

常识图谱的经常使用能将人造言语疑问转化为图谱数据库查问，如Neo4j的NeoConverse工具所展现。

随着技术的开展，常识图谱的价值愈发凸显，成为生成式AI无法或缺的一局部。

GraphRAG不只优化了解答品质，还提供了更好的可解释性和数据访问管理，未来将宽泛运行于生成式AI的多种运行场景。

领英最佳通常：用于客服问答的经常使用常识图谱的RAG

领英最新宣布的论文《Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering》提出了一种全新的客服问答处置打算，旨在优化基于RAG技术在客服场景中的体现。

该方法将RAG与常识图谱相联合，针对客服问答中历史疑问工单处置和答案生成的局限性，成功更高的检索准确性和回答品质。

在客服场景中，客户疑问往往与过往处置打算有相似之处，高效准确地检索过往工单关于极速处置此类疑问至关关键。

以后的RAG客服问答技术通常将工单宰割为较小片段以顺应模型的高低文长度解放，而后将片段转换为向量用于检索。

但是，这种方法存在检索准确性降低和答案品质降低的疑问。

要素在于：- **疏忽结构**：疑问跟踪文档通常具有外在结构和相互关联，如疑问之间的援用相关，但传统方法将文档紧缩成片段造成结构消息失落。

- **内容断开**：宰割少量工单或者形成相关内容断开，造成答案不完整。

例如，关键的处置打算或者在宰割环节中被遗漏。

为处置这些疑问，该方法引入了基于常识图谱的客服问答系统。

系统首先构建一个片面的常识图谱，整合疑问的树形示意并启动相互链接。

这种方法坚持了实体之间的外在相关，提高了检索功能。

在问答阶段，系统解析用户查问，识别命名实体和用意，并在常识图谱中搜查相关子图以生成答案。

详细而言，系统经过以下步骤构建常识图谱：1. **工单外部解析**：将历史疑问示意转换为树形结构，驳回规定提取和LLM解析相联合的方法，处置预约义字段和难以规定提取的局部。

2. **工单间衔接**：将单颗树整分解片面的图，经过显式链接（如工单内的指定字段）和隐式衔接（基于题目之间的语义相似性）成功。

3. **embedding生成**：经常使用预训练文本嵌入模型生成图节点值的嵌入，以便支持在线检索。

系统还经过查问实体识别和用意检测，以及基于嵌入的子图检索，高效地从常识图谱中提取相关数据。

最后，LLM用于生成综合答案，确保回答的准确性和片面性。

试验结果标明，该方法在MRR、recall@K和NDCG@K等目的上清楚优于传统方法，同时在BLEU、ROUGE和METEOR分数上提高了品质。

实践部署中，系统成功地将每个疑问的处置期间缩小了28.6%，证实了其在提高客户服务效率方面的清楚优点。

总结而言，经过联合RAG技术和常识图谱，领英的通常展现了如何构建一个高效、准确的客服问答系统，有效处置客户查问，清楚优化服务体验和效率。