GraphRAG如何构建知识图谱Knowledge Graph

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

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

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

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。

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

LLM大模型学习路线 ↓