GraphRAG如何构建知识图谱Knowledge Graph (GraphRAG系列第二篇)

      GraphRAG工作的第一步，是将输入的文档集合，按一定的策略拆分成一个一个chunks，然后解析每个chunks，将chunk中所关注的实体(entity)和关系(relation)解析出来，以此构建知识图谱。

 

 

      那问题来了，GraphRAG是如何抽取文本中的实体及其间的关系，是像以前NLP任务那样，通过标注文本词性的方式，来训练一个LSTM/GRU网络来实现吗？

      其实，GraphRAG的知识图谱构建思想是简单和朴素的，它借助大模型的few shot能力，来提取输入文档中的实体关系，从而建立起知识图谱。GraphRAG的默认实现，是借助OpenAI的ChatGPT，基于默认的prompt模板，来提取关系实体，

      考虑到不同文本所属领域不同，使用的语言也不同，所以对于不同的输入文本，需要对prompt模板进行微调(tune)。

      GraphRAG的prompt模板有三种类型

• Entity/Relation提取

　　   指示LLM如何提取实体关系的prompt，该prompt源码路径：

          http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/graph/prompts.py

• 总结Entity/Relation描述

　　   指示LLM如何对每个Entity/Relation的功能进行总结，该prompt源码路径：

　　   http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/summarize/prompts.py

• Claim提取

　　   指示LLM如何提取每个Entity的Claim，这个Claim可以理解为Entity或Relation的属性，该prompt源码路径：

　　   http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/claims/prompts.py

 

　　下面以提取Entity/Relation为例，讲解如何微调prompt。先看下提取Entity/Relation默认prompt内容：

      

     prompt包含Goal、Steps、Examples等几个部分，告诉LLM本次任务的目标是什么，如何达成这个目标，并举了几个例子，这些就是GraphRAG实现对特定文本进行实体抽取的秘密所在。而微调prompt以适应当前任务的方法，就是修改Examples部分，将本次任务领域的实体关系，举些例子写进并替换Examples部分的例子，使得LLM能够识别并提取本次任务关注的实体关系类型。

     

 

关注更多安卓开发、AI技术、股票分析技术及个股诊断等理财、生活分享等资讯信息，请关注本人公众号(木圭龙的知识小屋)