大型语言模型（如GPT-4、Qwen2和LLaMA）在自然语言处理领域取得了革命性的进展，但它们可能面临领域特定知识的缺乏、信息更新不及时等问题。
GraphRAG通过利用图结构信息，提供了一种解决方案，以更精确和全面的方式检索信息，生成更准确、上下文相关的回答。
直接语言模型（Direct LLM）、检索增强型语言模型（RAG）和图检索增强型语言模型（GraphRAG）之间的比较。在给定用户查询的情况下，直接语言模型（LLMs）可能因为回答浅显或缺乏具体性而受到影响。检索增强型语言模型（RAG）通过检索相关文本信息来解决这个问题，一定程度上缓解了这个问题。然而，由于文本的长度和实体关系的自然语言表达的灵活性，RAG在强调问题核心的“影响”关系方面存在困难。而图检索增强型语言模型（GraphRAG）方法利用图数据中明确的实体和关系表示，通过检索相关的结构化信息，能够提供精确的答案。
一、GraphRAG与相关技术
与RAG（Retrieval-Augmented Generation）相比，GraphRAG特别关注从图数据库中检索相关的关系知识，而不仅仅是文本。
与基于图的大型语言模型（LLMs on Graphs）和知识库问答（KBQA）技术相比，GraphRAG专注于检索外部图结构数据库中的相关图元素。
二、GraphRAG概述
GraphRAG框架利用外部结构化知识图谱来提高语言模型的上下文理解能力，并生成更有信息量的回答。
问题回答任务的GraphRAG框架概述。将GraphRAG分为三个阶段：G-索引（G-Indexing）、G-检索（G-Retrieval）和G-生成（G-Generation）。将检索来源归类为开源知识图谱和自构建的图数据。为了提高结果的相关性，可能采用各种增强技术，如查询增强和知识增强。与直接使用检索到的文本进行生成的RAG不同，GraphRAG需要将检索到的图信息转换成生成器可接受的模式，以提高任务性能。
三、基于图的索引（Graph-Based Indexing）
讨论了构建和索引图数据库的方法，包括公开知识图谱和自构建图数据。
1. 图数据库的构建和索引：图数据库的质量和结构直接影响GraphRAG的性能。图数据库可以来源于公开的知识图谱、图数据，或者基于专有数据源（如文本或其他形式的数据）构建。
2. 图数据的分类：作者将图数据分为两类：
- 开放知识图谱：指从公开可获取的存储库或数据库中获取的图数据，可以进一步分为通用知识图谱和领域知识图谱。
- 自构建图数据：允许研究者根据特定任务的需求定制和整合专有或领域特定的知识。
4. 通用知识图谱：存储一般性、结构化的知识，通常依赖于全球社区的集体输入和更新，以确保信息的全面性和持续更新。例如，Wikidata、Freebase、DBpedia和YAGO等。
5. 领域知识图谱：针对特定领域构建的知识图谱，它们提供了特定领域的专业知识，帮助模型更深入地了解复杂专业关系。
6. 自构建图数据：研究者常常从多个来源（如文档、表格和其他数据库）构建图，并利用GraphRAG来提升任务性能。这些自构建的图与特定方法的设计紧密相关。
7. 索引方法：为了提高查询操作的效率和速度，图数据库采用了多种索引方法，包括图索引、文本索引和向量索引：
- 图索引：保持图的完整结构，便于访问任何给定节点的所有边和邻接节点。
- 文本索引：将图数据转换为文本描述，以优化检索过程。
- 向量索引：将图数据转换为向量表示，以提高检索效率。
9. 索引的重要性：索引不仅影响检索方法和粒度，还直接影响到检索阶段的效率。
