微软最新开源的GraphRAG项目旨在提升大模型检索增强生成（RAG）的能力，它将文档转化为知识图谱，并利用图谱结构和关系信息增强RAG模型的理解和推理能力。GraphRAG项目包含多个关键组件，如文档处理、图谱提取、图谱增强和社区总结等，并提供可视化工具帮助用户理解和分析生成的知识图谱。该项目在全面性和多样性方面显著优于原生大模型RAG，为大模型在信息检索和知识推理领域的应用提供了新的思路和方法。

🤔 GraphRAG项目将文档转化为知识图谱，利用图谱结构和关系信息增强RAG模型的理解和推理能力。

🚀 GraphRAG项目包含多个关键组件，如文档处理、图谱提取、图谱增强和社区总结等，并提供可视化工具帮助用户理解和分析生成的知识图谱。

💡 该项目在全面性和多样性方面显著优于原生大模型RAG，为大模型在信息检索和知识推理领域的应用提供了新的思路和方法。

2024-07-03 00:01 湖北

今年四月微软发布了GraphRAG项目技术报告，PaperAgent专门发过推文进行详细介绍，时隔2个多月，微软正式开源了GrapRAG项目！

微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG

GraphRAG项目的知识模型：

Document- 系统中的输入文档，代表CSV中的单独行或者单独的.txt 文件。

TextUnit- 要分析的文本块。这些块的大小、重叠度都可以配置。

Entity- 从 TextUnit 中提取的实体，代表人物、地点、事件或您提供的其他实体模型。

Relationship- 两个实体之间的关系。

Covariate- 提取的声明信息，其中包含有关可能受时间限制的实体的陈述。

Community Report- 一旦生成实体，就对它们执行分层社区检测，并为该层次结构中的每个社区生成报告。

Node- 包含已嵌入和聚集的实体和文档的呈现图形视图的布局信息。

如何将文本文档转换为GraphRAG知识模型，以及主要步骤：

编写TextUnit（ Compose TextUnits）

图谱提取（Graph Extraction）

图谱增强（Graph Augmentation）

社区总结（ Community Summarization）

文档处理（Document Processing）

网络可视化（Network Visualization）

https://microsoft.github.io/graphrag/https://github.com/microsoft/graphrag

在整个GraphRAG流程中，也会涉及Embedding、Chunking等技术，PaperAgent团队RAG专栏进行过详细的归纳总结：高级RAG之36技（术）。

点击“阅读原文”试看RAG专栏

阅读原文