2024-10-14 10:58 湖北
LightRAG优于GraphRAG、NaiveRAG、RQ-RAG 、HyDE
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已开源。
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
推荐阅读
• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
