AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


LightRAG将GraphRAG落地门槛打下来了!
发布日期:2024-10-14 11:24:23 浏览次数: 2519 来源:PaperAgent


现有的RAG系统存在显著的局限性,包括依赖于平面数据表示和缺乏足够的上下文感知能力,这可能导致答案碎片化,无法捕捉复杂的相互依赖关系

为了解决这些挑战,提出了LightRAG,它将图结构整合到文本索引和检索过程中。这一创新框架采用了双层检索系统,从低层次和高层次的知识发现中增强了全面信息检索。
提出的LightRAG框架的整体架构
此外,图结构与向量表示的整合便于高效检索相关实体及其关系,显著提高了响应时间,同时保持了上下文的相关性。这种能力通过增量更新算法进一步增强,确保新数据能够及时整合,使系统在快速变化的数据环境中保持有效和响应性。并且LightRAG开源
LightRAG架构的详细步骤:
图基文本索引(Graph-Based Text Indexing)
  • 步骤1:实体和关系提取
使用大型语言模型(LLM)对文档进行分析,识别出文本中的实体(如人名、地点、组织等)和它们之间的关系(如“属于”、“位于”等)。
将文档分割成多个小块(chunks),以提高处理效率。
  • 步骤2:LLM Profiling生成键值对
对于每个识别出的实体和关系,使用LLM生成一个键值对(key-value pair),其中键(key)是一个或多个关键词,值(value)是与实体或关系相关的文本段落。
  • 步骤3:去重优化
通过去重(Deduplication)过程,合并来自不同文档块中的相同实体和关系,减少图操作的开销。
双层检索范式(Dual-Level Retrieval Paradigm)
  • 步骤4:生成查询关键词
对于给定的用户查询,提取局部(low-level)和全局(high-level)关键词。
  • 步骤5:关键词匹配
使用向量数据库匹配局部关键词与候选实体,以及全局关键词与全局关键词关联的关系。
  • 步骤6:整合高阶相关性
为了增强查询的相关性,LightRAG会收集检索到的图元素的邻接节点,这涉及到检索节点和边的一跳邻接节点。
检索增强答案生成
  • 步骤7:使用检索到的信息
利用检索到的信息(包括实体和关系的值),通过通用的LLM生成答案。
  • 步骤8:上下文整合与答案生成
将用户查询与多源文本合并,LLM生成符合查询意图的信息性答案。
增量知识库的快速适应
  • 步骤9:增量更新知识库
当有新文档加入时,使用与之前相同的图基索引步骤处理新文档,生成新的知识图谱数据。
将新知识图谱数据与原有知识图谱合并,实现新数据的无缝整合。
  • 步骤10:减少计算开销
避免重建整个索引图,减少计算开销,实现新数据的快速整合。

广泛的实验验证表明,与现有方法相比,LightRAG在多个关键维度上,包括全面性、多样性、知识赋能,都显示出了显著的改进。LightRAG效果优于GraphRAG、NaiveRAG、RQ-RAG 、HyDE。

在四个数据集和四个评估维度下,基线与LightRAG的胜率(%)对比

使用NaiveRAG作为参考,LightRAG的简化版本的性能

案例研究:LightRAG与基线方法GraphRAG之间的比较

LightRAG检索和生成过程。当提出查询“哪些指标对于评估电影推荐系统最有信息量?”时,大型语言模型(LLM)首先提取低级和高级关键词。这些关键词指导在生成的知识图谱上的双级检索过程,目标是相关实体和关系。检索到的信息被组织成三个组成部分:实体、关系和相应的文本块。这些结构化数据随后被输入到LLM中,使其能够生成对查询的全面回答。

https://github.com/HKUDS/LightRAGhttps://arxiv.org/pdf/2410.05779LIGHTRAG: SIMPLE AND FAST RETRIEVAL-AUGMENTED GENERATION



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询