MicrosoftのGraphRAG実装は、Large Language Model (LLM)で処理されたソースドキュメントから知識グラフを構築するために効果的に使用されています。出力は、エンティティとその関係に関する構造化された情報で、Leidenコミュニティ検出アルゴリズムなどのグラフアルゴリズムを使用して要約を生成します。この投稿では、GraphRAGの出力をNeo4jに保存し、LangChainやLlamaIndexを使用してローカルリトリーバーとグローバルリトリーバーを実装する方法について説明します。 使用されるデータセットは、チャールズ・ディケンズの"A Christmas Carol"です。グラフ抽出プロセスはスキップ可能ですが、重要な設定には、エンティティタイプ（組織、人、イベント、ジオ）を選択し、複数の抽出パスを実行して包括的な情報を捉えるために最大gleaningsを設定します。グラフ抽出パイプラインの出力は、parquetファイルとして保存され、Neo4jにインポートされます。インポートプロセスは、無料のクラウドAuraインスタンスかローカルのNeo4j環境で実行でき、インポートコードはGitHub上でJupyter Notebookとして提供されています。 Neo4jにデータをインポートした後、Cypherクエリーを使用して、抽出されたデータの構造と内容を簡単に分析します。例えば、抽出されたエンティティの分布やノード次数を分析して、データに関する洞察を得ることができます。抽出されたエンティティとその関係は、Neo4j Browserを使用して視覚化し、検証します。 リトリーバーの実装では、ローカルリトリーバーはベクトル検索を使用して関連するノードを特定し、LLMのプロンプトにリンクされた情報を注入します。ベクトルインデックスは設定され、リトリーバークエリーは、テキストチャンク、コミュニティレポート、関係記述などの関連テキストデータを収集するために定義されます。これは、LangChainとLlamaIndexの両方で実装され、リトリーバークエリーは各フレームワークに適合します。 グローバルリトリーバーは、指定された階層レベルでコミュニティサマリーを反復し、中間サマリーと最終的な応答を生成します。このアプローチは、リトリーバープロセスを簡略化しますが、最適な結果を得るために適切な階層レベルを選択する必要があります。 まとめると、GraphRAGとNeo4jの統合、およびLangChainやLlamaIndexのようなリトリーバーフレームワークは、テキストソースから抽出された構造化された情報にアクセスするための高度な機能を提供します。この実装は、GraphRAGがテキストソースから構造化された情報を分析し、問い合わせる実用的応用を示しています。