页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「知识图谱 LLM」找到 74 条内容
按专题浏览 →匹配正文：…），召回Top-K相关文档 3. 增强生成 上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，可溯源 关键优化点 环节 常见问题 优化手段 检索 语义不匹配 查询改写、HyDE（假设文档嵌入）、重排序(Rerank) 上下文 文档过长/冗余 摘要压缩、关键句提取、多路召回融合 生成 不遵循参考 引用标注训练、Self-RAG（自适应检索判断） 典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂…
匹配正文：…。 GraphRAG的核心改进 微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（离线） 实体抽取：用LLM从文档中提取实体（人、组织、事件等）和关系 图建模：构建 (实体)-[关系]-(实体) 的知识图谱 社区发现：用Leiden等算法检测图中的紧密社区 分层摘要：对每个社区生成多粒度摘要（从局部到全局） 2. 检索阶段（在线） 全局查询：先匹配相关社区摘要，快速定位大范围 局部展开：在目标社区内做多跳图遍历，获取关联实体 信息聚合：将图路径上的…
匹配正文：…总结全书主题"这类跨文档问题。 GraphRAG的核心方案 GraphRAG由微软提出，分索引和查询两阶段： 索引阶段（离线） 用LLM从文档中提取实体（人、组织、事件等）和关系，构建知识图谱 基于图结构做社区发现（如Leiden算法），将相关实体聚类为社区 为每个社区生成摘要，形成层次化的"社区摘要树" 查询阶段（在线） 全局查询：遍历社区摘要树，自上而下聚合信息，回答宏观问题 局部查询：定位相关实体，沿图边扩展检索，回答具体问题 图结构带来的提升 维度 传统RAG Gra…
学习内容与项目面试，在同一条路上。