图增强向量搜索

替代名称

• 图形 + 向量
• 增强向量搜索

所需的图形形状

Lexical Graph with Extracted Entities

上下文

基本GraphRAG模式的最大问题是找到回答问题所需的所有相关上下文。 这些上下文可能分布在许多未被搜索到的块中。 将块中的现实世界实体相互关联，并通过向量搜索检索这些关系，可以提供这些实体所涉及的额外上下文。 它们还可以通过实体网络将块相互关联起来。

描述

用户问题使用之前用于创建嵌入的相同嵌入器进行嵌入。 在块嵌入上执行向量相似性搜索，以找到k（之前由开发人员/用户配置的数量）个最相似的块。 从找到的块开始执行遍历以检索更多上下文。

用法

这种模式对于检索比仅执行向量搜索（例如基本检索器或父子检索器）更丰富的上下文非常有用。 额外的遍历检索了提供数据中实体之间的交互，这比检索特定文本块揭示了更丰富的信息。 自然，这种GraphRAG模式的预处理需要付出努力。 此外，图遍历返回的上下文量可能更大，LLM需要能够处理这些上下文。

所需的预处理

使用LLM对块执行实体和关系提取。将检索到的三元组导入图中。

检索查询

MATCH (node)-[:PART_OF]->(d:Document)
CALL { WITH node
  MATCH (node)-[:HAS_ENTITY]->(e)
  MATCH path=(e)(()-[rels:!HAS_ENTITY&!PART_OF]-()){0,2}(:!Chunk&!Document)
  …
  RETURN …}
RETURN …

变体

这个检索器有一些变体：

• 实体消歧 — 一个简单的实体提取管道会从文本中提取出任何实体。然而，多个实体可能在文本中以不同的方式被提及，但实际上指的是同一个现实世界中的实体。为了保持图的整洁，可以执行一个实体消歧步骤，将这些实体合并。在使用Neo4j和LangChain实现‘从局部到全局’的GraphRAG：构建图和在LlamaIndex中使用Relik进行实体链接和关系提取中描述了可能的实现方法。

• 问题引导/模式定义的提取 — 不是让LLM提取任何类型的实体和关系，而是提供一组问题或固定模式来引导LLM仅提取与应用相关的领域知识。这种方法将缩小提取的范围和数量（例如，Introducing WhyHow.AI Open-Source Knowledge Graph Schema Library — Start Experimenting Faster）。

• 实体嵌入 — 当使用LLM提取实体和关系时，我们可以指示LLM也创建/提取实体和关系描述。这些描述可以被嵌入，并随后用于初始向量搜索和遍历过程中的其他指导。

• 本体驱动的遍历 — 与其在应用程序代码中硬编码遍历，你可以为遍历提供一个本体。这种方法在Going meta — Ep 24: KG+LLMs: Ontology driven RAG patterns中有详细解释。

进一步阅读

• Going Meta - Ep 23: 使用知识图谱的高级RAG模式 (2023年12月)

现有实现

示例实现

• Neo4j的知识图谱构建器