当前位置:   article > 正文

再揭秘Graph RAG-面向实际场景的实现逻辑_graphrag使用csv

graphrag使用csv

1.面向实际场景的实现逻辑

GraphRAG不仅提供了一种强大的文本分析工具,而且通过其知识模型和工作流程的灵活性和可配置性,能够适应不同的应用场景和用户需求。GraphRAG知识模型和默认配置工作流程可以总结为以下几个核心逻辑步骤,以实现文本数据的高效处理和知识提取:

索引数据流

图形化知识模型(GraphRAG Knowledge Model)
  • 定义: 符合数据模型定义的数据输出规范。

  • 位置: 定义在GraphRAG仓库中的python/graphrag/graphrag/model文件夹。

  • 实体类型:

  • 文档: 系统输入文档,可以是CSV行或.txt文件。

  • 文本单元: 用于分析的文本块,大小、重叠和数据边界可配置。

  • 实体: 从文本单元中提取的实体,如人、地点、事件等。

  • 关系: 两个实体间的关系,由协变量生成。

  • 协变量: 提取的声明信息,可能与时间相关。

  • 社区报告: 实体生成后,进行层次社区检测并生成报告。

  • 节点: 包含实体和文档布局信息,用于渲染图形视图。

默认配置工作流程
  • 将文本文档转换为图形化知识模型的过程。

  • 包含六个阶段:网络可视化、文档处理、社区总结、图形增强、图形提取、文本单元组合。

2.阶段详解

第1阶段:组合文本单元(Compose TextUnits)
  • 目的:将输入文档分解为更易于处理的文本单元,用于图形提取。

  • 方法:根据用户配置的token数量,将文档分割成不同大小的文本单元。文本单元大小可配置,默认300个token,可使用更大的文本单元加快处理速度。

    在这里插入图片描述

第2阶段:图形提取(Graph Extraction)
  • 目的:分析每个文本单元,提取实体、关系和声明。

  • 方法:实体和关系通过entity_extract提取,声明通过claim_extract提取。合并子图形,同名同类型的实体和相同源目标的关系合并。

    在这里插入图片描述

第3阶段:图形增强(Graph Augmentation)
  • 目的:通过社区检测和图形嵌入,增强对实体间复杂关系的理解和表示。

  • 方法:应用用层次Leiden算法进行社区检测,使用Node2Vec算法进行图形嵌入。

第4阶段:社区总结(Community Summarization)
  • 目的:生成对不同层次社区的总结报告,提供对图形的高层次理解。

  • 方法:使用大型语言模型(LLM)生成社区的概要和关键信息的描述。

    在这里插入图片描述

第5阶段:文档处理(Document Processing)
  • 目的:创建知识模型的文档表,将文档转换为知识模型中的结构化数据表。

  • 方法:通过链接文本单元、生成文档嵌入,创建文档表。如果处理CSV数据,可配置添加额外字段。将文档链接到文本单元,生成文档嵌入。

    在这里插入图片描述

第6阶段:网络可视化(Network Visualization)
  • 目的:通过降维技术,将高维数据可视化,便于理解和分析。支持现有图形的高维向量空间的网络可视化。

  • 方法:使用UMAP算法将实体-关系图和文档图降维到2D空间。

3.总结

Graph RAG的知识模型和工作流程提供了一种系统化的方法来处理和分析文本数据,提取知识,并以图形化的方式展示数据关系,为文本密集型领域提供了一种强大的知识提取和分析工具。结构化解决方案流程简述如下:

  1. 文本分割: 接收原始文本数据,执行预处理和文本单元化。

  2. 知识提取: 通过LLM自动提取实体和关系,提取并评估文本中的声明,确保知识真实性。

  3. 图形增强: 应用社区检测和图形嵌入技术,增强对数据结构的理解。

  4. 社区分析: 生成社区报告,提供高层次的图形理解。

  5. 文档整合: 构建文档表,链接文本单元,整合文档信息。

  6. 网络可视化: 应用UMAP等降维技术,实现数据的二维图形展示。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

在这里插入图片描述

本文内容由网友自发贡献,转载请注明出处:https://www.wpsshop.cn/w/神奇cpp/article/detail/848976
推荐阅读
相关标签
  

闽ICP备14008679号