Как улучшить качество RAG путем хранения графа знаний в векторной базе данных

Техники генерации с поддержкой извлечения (RAG), интегрируя внешние базы знаний, предоставляют дополнительную контекстную информацию для языковых моделей крупного масштаба (LLM), эффективно устраняя проблемы, такие как галлюцинация и недостаточное знание области LLM. Однако, полагаясь только на общие базы знаний, имеет свои ограничения, особенно при работе с сложными отношениями между сущностями и вопросами с несколькими шагами, где модель часто испытывает трудности в предоставлении точных ответов. Введение графов знаний (KG) в систему RAG предлагает новое решение этой проблемы. KG представляют сущности и их отношения в структурном виде, предлагая более точную контекстную информацию во время извлечения. Используя обширные реляционные данные KG, RAG может не только более точно определить релевантные знания, но и лучше справляться с сложными сценариями вопросов-ответов, такими как сравнение отношений между сущностями или ответы на вопросы с несколькими шагами.