LlamaIndex的报告探讨了属性图（Property Graphs）在构建知识图谱方面的优势。与传统的知识三元组表示方法相比，属性图能够更灵活地建模知识图谱，并支持节点和关系的分类、向量嵌入和混合搜索。报告还介绍了图提取器和图检索器，分别用于从原始数据中提取图结构和从已构建的属性图中检索信息。

🤔 **属性图的优势**：属性图能够克服传统知识三元组表示方法的限制，如缺乏节点和关系的标签和属性、文本节点的向量嵌入和向量与符号检索的整合。属性图索引通过使用标记的属性图表示，提供了更丰富的方式来建模、存储和查询知识图谱。 具体来说，属性图能够将节点和关系分类为具有相关元数据的类型，将图视为向量数据库的超集，用于混合搜索，并使用Cypher图查询语言表达复杂查询。这些优势使得属性图成为构建具有LLMs的知识图谱的强大且灵活的选择。

🔍 **图提取器**：图提取器是用于从原始数据中提取图结构的工具或算法。它们能够识别数据中的实体和关系，并将这些信息转换为图的形式。LlamaIndex报告中介绍了三种类型的图提取器：ImplicitPathExtractor（隐式路径提取器）、SimpleLLMExtractor（简单LLM提取器）和SchemaLLMExtractor（Schema LLM提取器）。

🔎 **图检索器**：图检索器是用于从已构建的属性图中检索信息的系统或工具。它们支持查询操作，帮助用户找到特定的节点、边或路径。LlamaIndex报告中介绍了四种类型的图检索器：LLMSynonymRetriever（LLM 同义词检索器）、VectorContextRetriever（向量上下文检索器）、Text2CypherRetriever（文本转 Cypher 检索器）和CypherTemplateRetriever（Cypher 模板检索器）。

2024-07-14 00:02 湖北

LlamaIndex关于属性图（Property Graphs）的报告：

为什么选Property Graphs

 传统的知识图谱表示方法，如知识三元组（主体、谓词、客体），在表达能力上存在限制。它们缺乏以下能力：

给节点和关系分配标签和属性 

将文本节点表示为向量嵌入 

同时执行向量和符号检索 

属性图索引解决了这些问题。通过使用标记的属性图表示，它能够更加丰富地对知识图谱进行建模、存储和查询：

将节点和关系分类为具有相关元数据的类型 

将图视为向量数据库的超集，用于混合搜索 

使用Cypher图查询语言表达复杂查询 

这使得属性图成为构建具有LLMs的知识图谱的强大且灵活的选择。

属性图谱的构建

信息提取：文档 => 多种信息提取 => 属性图谱

信息检索：查询 => 属性图谱 => 多种信息检索 => LLM => 答案

图提取器（Graph Extractors）

图提取器（Graph Extractors）是用于从原始数据中提取图结构的工具或算法。它们能够识别数据中的实体和关系，并将这些信息转换为图的形式。

ImplicitPathExtractor：隐式路径提取器

SimpleLLMExtractor：简单 LLM 提取器

SchemaLLMExtractor：Schema LLM 提取器

图检索器（Graph Retrievers）

图检索器（Graph Retrievers）是用于从已构建的属性图中检索信息的系统或工具。它们支持查询操作，帮助用户找到特定的节点、边或路径。

LLMSynonymRetriever：LLM 同义词检索器

VectorContextRetriever：向量上下文检索器

Text2CypherRetriever：文本转 Cypher 检索器

CypherTemplateRetriever：Cypher 模板检索器

报告PPT详情：

https://www.llamaindex.ai/blog/introducing-the-property-graph-index-a-powerful-new-way-to-build-knowledge-graphs-with-llms

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 2024：ToB、Agent、多模态

• 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。