【通俗易懂】知识图谱增强 RAG 思路 和 实现方案

• • 为什么用 知识图谱增强 RAG？
  • • 对比传统方法
    • 3 种实现方式
  • 方案一：利用 KG 关系网络，构建问题子图促精准解答
  • • 地图固定深度
    • 整体优化方案
  • 方案二：利用 KG 语义关联，提升文档片段间相关性
  • 方案三：利用 KG 多阶段，增强和验证问答流程

 

---

为什么用 知识图谱增强 RAG？

你是否曾经为AI无法准确回答复杂医学问题而感到困惑？

如果能让AI理解医学信息就像经验丰富的医生一样全面和深入，那会是多么令人振奋的突破！

这正是知识图谱在检索增强生成（RAG）中为医疗领域带来的革命性变革。

假设你问AI一个看似简单的问题——“详细解释心血管疾病与糖尿病之间的关系”。

表面上看起来简单，实则暗藏玄机。

传统的 RAG 方法面对这个问题时，就像一位实习医生在浩如烟海的医学文献中摸索，常常只能捕捉到片面的信息。

为什么会这样？因为相关信息可能散落在数十本医学教科书、数百篇研究论文和无数临床病例报告中！

这就好比在一座庞大的医学图书馆里寻找答案，却发现所需信息被分散在各个角落。

传统的"分割数据，嵌入再向量搜索"方法在这种情况下显得力不从心，它就像是一个戴着近视的图书管理员，只能在有限的几个书架上匆匆一瞥。

这种方法不仅难以获取完整的病理生理学解释，更可能错过关键的临床相关性，导致回答支离破碎，甚至南辕北辙。

那么，在这个复杂的医学知识网络中，有什么方法可以让AI像经验丰富的专科医生一样，全面而准确地回答这个棘手的问题呢？

 

知识图谱恰如一位经验丰富的主治医师，不仅能精准诊断，还能洞察症状背后错综复杂的关联。

知识图谱不仅能够显著减少基于嵌入的语义搜索所导致的不准确性，更能为医学AI注入"临床智慧"。

在传统的语义搜索中，"心肌梗塞"与"胃溃疡"这两个看似风马牛不相及的疾病，可能因为都与"胸痛"这一症状相关而被错误地联系在一起。

这就好比一个缺乏经验的实习医生，仅凭相似的表象症状就草率地做出诊断。

然而，在大多数临床场景下，这种粗浅的语义相关性往往会导致严重的误诊，进而引发灾难性的"医疗幻觉"。

 

传统语义搜索方法：

1. 输入症状：“胸痛”
2. 检索结果：返回所有与"胸痛"相关的疾病，包括心肌梗塞和胃溃疡
3. 分析过程：仅基于症状的表面相似性进行匹配
4. 可能的结果：将心肌梗塞和胃溃疡错误地等同视之，忽视了它们在病因、严重程度和治疗方法上的巨大差异

知识图谱方法：

1. 输入症状：“胸痛”
2. 激活相关节点：同时激活"心血管系统"和"消化系统"的相关节点
3. 分析过程：
   • 追踪症状源头：区分心源性胸痛和非心源性胸痛
   • 关联其他症状：如心肌梗塞常伴有冷汗、呼吸困难，而胃溃疡可能伴有反酸、腹胀
   • 考虑风险因素：评估患者的年龄、性别、生活方式等
   • 权衡严重程度：认识到心肌梗塞是危及生命的紧急情况
4. 输出结果：提供一个不同疾病，有优先级的诊断建议列表，同时指出需要进一步检查的方向

 

在这种情况下，植根于扎实医学知识体系的知识图谱就显得尤为重要。

它就像一位始终保持警惕的专科顾问，能够敏锐地识别出症状背后的真正病因，有效地预防和消除这种潜在的误诊风险。

知识图谱不仅仅是一个静态的信息库，更是一个动态的、多维度的医学知识网络。

它能够精确捕捉疾病之间的微妙关联，理解症状、病因、治疗方法之间的复杂交互，从而为AI提供更全面、更准确的诊断和治疗建议。

对比传统方法

将上下文学习推向了一个全新的高度，提取出细粒度、精确调校、领域特定且互联的医学知识：

1. 精细化数据分割与获取

   • 传统方法：如同用大网捕鱼，可能会遗漏小鱼或误捕无关鱼类。

   • Graph RAG：犹如精准的显微镜，能捕捉到最微小的数据颗粒。

     举例：在分析一个复杂的病例时，Graph RAG 能够精确定位到特定基因突变与某种罕见症状之间的关联，这种细节在传统的文本块分割中很可能被忽略。

2. 跨篇幅、全局连接的知识提取

   • 传统方法：如同在迷宫中独立探索每个房间，难以看到整体路径。

   • Graph RAG：宛如拥有迷宫的全景图，能够轻松找出各个节点间的最短路径。

     举例：在研究一种新型传染病时，Graph RAG 能够快速连接病毒学、流行病学、临床症状学等多个领域的知识，绘制出一幅完整的疾病图谱。

3. 缓解嵌入方法带来的"幻觉"

   • 传统方法：如同一个近视眼，容易将相似但本质不同的概念混淆。

   • Graph RAG：犹如配备了高精度望远镜，能清晰辨别语义远近的细微差异。

     举例：在处理"类风湿性关节炎"和"骨关节炎"这两种常见的关节疾病时，Graph RAG 能准确识别它们在病因、发病机制和治疗方法上的本质区别，避免因表面症状相似而导致的误诊。

3 种实现方式

问题：“糖尿病患者容易出现哪些并发症,如何预防?”

思路1：利用KG多阶段增强，优化大模型问答流程

1. 意图识别阶段:

   • 识别出关键实体"糖尿病"、“并发症"和"预防”。
   • 利用KG,可能会补充"糖尿病"的医学术语如"diabetes mellitus",或者具体类型如"1型糖尿病"和"2型糖尿病"。

2. Prompt组装阶段:

   • 从医学KG中查询糖尿病相关的背景知识,如定义、类型、病因等。
   • 将这些信息加入到prompt中,为大模型提供专业背景。

3. 结果封装阶段:

   • 大模型生成答案后,用医学KG进行验证和补充。
   • 例如,确认列出的并发症是否完整,预防措施是否符合最新医学指南。

思路2：利用KG关系网络，构建问题子图助力精准答案

1. 从问题中提取关键实体"糖尿病"、“并发症"和"预防”。

2. 在医学KG中以这些实体为起点,构建一个子图,包含:

   • 糖尿病的各种并发症
   • 每种并发症的风险因素
   • 预防措施及其作用机制
   • 糖尿病管理的关键指标(如血糖水平、糖化血红蛋白等)

3. 将这个子图转化为文本,作为专业医学上下文提供给大模型。

4. 大模型基于这个丰富的医学上下文生成答案。

思路3：利用KG语义关联，提升文档片段间的相关性

1. 在医学文档库中找到与"糖尿病"、"并发症"和"预防"相关的文档片段。

2. 使用医学KG来建立这些片段之间的语义关联:

   • 例如,将描述糖尿病病理的片段与描述各种并发症的片段关联起来。
   • 将描述并发症的片段与相应预防措施的片段关联起来。
   • 建立不同预防措施之间的关系,如饮食控制、运动therapy和药物治疗等。

3. 基于这些关联,为大模型提供一个更有结构的医学文档集合。

4. 大模型利用这些结构化的医学信息来生成更全面、更专业的回答。

对比：

• 思路1，侧重于在问答流程的不同阶段使用KG来增强和验证信息。

• 思路2，专注于构建一个与问题高度相关的知识子图，提供丰富的上下文。

  适用于需要深度推理和全面分析的场景，如复杂诊断。

  需要综合考虑患者的症状、体征、检查结果等多方面信息。

  构建的知识子图可以包含可能的诊断、鉴别诊断、以及各种诊断之间的关系。

• 思路3，着重于优化文档检索和组织，使大模型能够访问到更相关、更有结构的信息。

  适用于需要治疗方案制定阶段，有助于发现不同治疗方法之间的联系和权衡。

  适用于需要大量文献支持和最新指南的场景，如治疗方案制定。

方案一：利用 KG 关系网络，构建问题子图促精准解答

这一过程可以被概括为三个关键步骤，每一步都充分利用了图结构和大模型的优势：

1. 实体提取（抓重点）

   • 首先，系统会运用LLM或其他专门的自然语言处理模型来分析用户的查询。
   • 这一步的目标是从输入的问题中识别并提取出关键实体。这些实体将作为后续步骤的基础，确保系统能够精准定位相关信息。

2. 子图构建（画地图）

   • 接下来，系统会以第一步提取出的关键实体为起点，在知识图谱中进行有限深度的遍历。
   • 通常，这个深度被设定为2，意味着系统会探索与初始实体直接相连的节点，以及与这些节点相连的下一层节点。
   • 这个过程实际上是在构建一个与用户查询高度相关的知识子图。

3. 上下文增强生成

   • 最后，系统将构建好的子图作为丰富的上下文信息，连同原始查询一起输入到大模型中。
   • 大模型利用这些精心筛选的上下文信息，生成一个既准确又全面的回答。

首先从用户输入中提取关键实体，然后基于这些实体在知识图谱中构建相关子图，最后将这个子图作为上下文信息送入大模型，完成最终的答案生成。

 

---

地图固定深度

把深度设定为 2，这个回答效果不行。

原来的方法（固定深度2）：

• 这就像是你站在图书馆门口，然后说"我要看看离我两个书架距离内的所有书"。
• 不管你要找的是什么，你总是只看这么远。
• 有时候可能看得太少，有时候又可能看得太多。

新的方法（3种查路径+查邻居）：

• 这更像是一个聪明的图书管理员，他会根据你的问题，用不同的方式帮你找书：

1. 直接关系查找：
   就像问"感冒、发烧有什么关系"，管理员会直接找一条最短的路，把这两种水果连起来。

2. 多重关系网络：
   比如你问"感冒、发烧和咳嗽有什么联系"，管理员会把这三个症状都连起来，画出一个小网络，让你一眼就能看到它们之间的所有关系。

3. 多角度查因：
   当你问"我最近头疼、肚子疼、还有点晕，这是怎么回事"时，管理员会从每个症状出发，分别去找可能的原因，给你一个全面的解释。

4. 查找邻居：
   除了找这些直接的关系，管理员还会顺便看看周围closely相关的信息，可能会发现一些意想不到的联系。

对比来看：

1. 灵活性：
   旧方法就像是用固定尺寸的圆规画圆，而新方法更像是自由作画，能根据需要画出各种形状的"知识地图"。

2. 精确性：
   旧方法可能会把一些无关的书也拿来，而新方法就像是精准定位，只找最相关的信息。

3. 全面性：
   新方法不仅能找到直接关系，还能发现潜在的、复杂的联系，就像不仅告诉你怎么走，还会提醒你路上有什么好玩的。

4. 效率：
   虽然新方法看起来做的事情多，但因为更有针对性，反而可能比旧方法更快找到有用信息。

新方法就像是把一个固定的放大镜，换成了一个能变焦、能拼接的智能望远镜。

它能根据你的问题，灵活地调整"看"的方式和范围，给你一个更全面、更精准的答案。

 

我目前实现就是到这，下面的整体优化方案还没。

 

---

整体优化方案

1. 知识图谱召回方法的局限性

   a) 子图召回可能引入不相关路径

   • 就像我们之前说的"画地图"，有时候可能会画出一些实际上并不重要的路。
   • 这就像你问路时，别人不仅告诉你怎么去目的地，还说了一堆你根本不需要的弯路。
   • 特别是双向的医疗知识图谱，头疼 < – > 康复治疗 < – > 牙疼，因为有一个通用节点（康复治疗），能把头疼和牙疼关联起来

    
   b) 实体识别精度有限

   • 患者问"我的血压有点高，需要吃降压药吗？"
   • 系统可能只识别出"血压"和"药"这两个实体，而忽略了"高"这个关键词。
   • 结果可能会返回一些关于测量血压或者各种血压药物的信息，而不是针对高血压的具体建议。

    

   c) 依赖基础知识图谱的质量

   • 这就像是我们的"图书管理员"的知识储备。
   • 如果图书馆里的书不够多或者不够全面，即使管理员再聪明，给出的信息也可能不够准确或完整。

 
2. 改进方向：引入路径排序

这个建议就像是在我们的"画地图"步骤后，加入一个"地图筛选"的环节。

这个环节分两步：

a) 粗排：使用LightGBM模型

• 这就像是快速浏览一遍画好的地图，用一些简单的标准（如道路长度、路标数量等）来初步判断哪些路径更可能是有用的。

b) 精排：使用大模型

• 这就像是仔细研究剩下的几条路径，深入理解每条路的含义，最后选出最合适的2-3条。

3. 与之前的Graph RAG方法的关联

   这些建议实际上是在完善我们之前讨论的Graph RAG的三个步骤：

   • "抓重点"阶段：建议改进实体识别方法，不仅仅依赖关键词提取。
   • "画地图"阶段：建议在构建子图时就考虑路径的相关性，而不是简单地基于深度。
   • 新增"筛选地图"阶段：在生成答案之前，先对构建的子图进行筛选和排序。

4. 潜在优势

   • 提高准确性：通过排序和筛选，可以大大减少不相关信息的干扰。
   • 提高效率：虽然增加了步骤，但通过快速筛选，实际上可能会加快整体处理速度。
   • 提高灵活性：这种方法可以更好地适应不同类型和复杂度的问题。

5. 需要注意的点

   • 模型训练：这种方法需要额外的训练数据来优化排序模型。
   • 计算成本：增加了排序步骤可能会增加一些计算成本。
   • 平衡问题：需要在召回全面性和精确性之间找到平衡。

 

---

方案二：利用 KG 语义关联，提升文档片段间相关性

 

---

方案三：利用 KG 多阶段，增强和验证问答流程