当前位置:   article > 正文

高级检索增强技术:Graph-RAG / Self-RAG:通过图谱关系联想、自我反思学习检索、生成和批判

graph-rag

目录

Self-RAG:通过自我反思学习检索、生成和批判

Summary 概括

Self-RAG: Learning to Retrieve, Generate and CritiqueSelf-RAG:学习检索、生成和批判

Training of Self-RAG Self-RAG 训练

Inference of Self-RAG Self-RAG 的推断

Connections to Prior Work与之前工作的联系

v.s. Retrieval-augmented Generation与检索增强生成

v.s. Learning from Critique (Feedback)与从批评中学习(反馈)

Results and Analysis 结果与分析

Main Results 主要结果

Analysis 分析

(A) Ablations (A) 消融

(B) Inference-time customization via critique tokens(B) 通过批判标记进行推理时间定制

(C) Adaptive retrieval via retrieval tokens(C) 通过检索标记进行自适应检索

ChatKBQA:基于微调大语言模型的知识图谱问答框架

研究问题:

知识库问答:

背景概念(Preliminaries)

方法(Methodology)

实验

总结

Graph RAG with LLM

大模型局限性

什么是Graph RAG

代码示例:

传统检索增强技术的瓶颈:

KG Building

总结:图探索的 7 种方式

图探索的方法 1:KG 基于向量的检索

图探索的方法 2:KG 基于关键词的检索

图探索方法 3:KG 混合检索

图探索方法 4:原生向量索引检索

图探索方法 5:自定义组合查询引擎(KG 检索和向量索引检索的组合)

图探索方法 6:KnowledgeGraphQueryEngine

图探索方法 7:KnowledgeGraphRAGRetriever

7 个查询引擎的优点和缺点

chatgpt训练三步走阶段总结:


Self-RAG:通过自我反思学习检索、生成和批判

Self-RAG 学习检索、生成和批评,以提高 LM 的输出质量和真实性,在六项任务上优于 ChatGPT 和检索增强的 LLama2 Chat。

Summary 概括

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/黑客灵魂/article/detail/934346
推荐阅读
相关标签
  

闽ICP备14008679号