微軟最新又改版了一波GraphRAG，這波把知識圖譜丟了，只剩下無向圖了。

帶來的優(yōu)勢是：

• LazyGraphRAG 數(shù)據(jù)索引成本與向量 RAG 相同，且為全圖 RAG 成本的 0.1%。
• 對于與向量 RAG 相當(dāng)?shù)牟樵兂杀?，LazyGraphRAG 在局部查詢中優(yōu)于所有競爭方法，包括LongRAG 和 GraphRAG DRIFT 搜索以及 GraphRAG 局部搜索。
• 相同的 LazyGraphRAG 配置在全局查詢方面也顯示出與 GraphRAG 全局搜索相當(dāng)?shù)拇鸢纲|(zhì)量，但查詢成本降低了 700 多倍。
• 對于 GraphRAG 全局搜索的 4%查詢成本，LazyGraphRAG 在本地和全局查詢類型上，包括 C2 級別的 GraphRAG 全局搜索（大多數(shù)應(yīng)用推薦的三級社區(qū)層次）上，顯著優(yōu)于所有競爭方法。

圖 1. 展示 LazyGraphRAG 在（100，500，1,500）相關(guān)性測試預(yù)算下，相對于每個(gè)（局部，全局）查詢和（全面性，多樣性，賦權(quán)）指標(biāo)組合的競爭條件下的勝率簇狀柱狀圖

二者區(qū)別：

• 放棄實(shí)體關(guān)系抽取（關(guān)系太吃token了），抽取概念，構(gòu)建無向概念圖。再次基礎(chǔ)上，層次化社區(qū)構(gòu)建
• 放棄社區(qū)報(bào)告，推理時(shí)處理
• query做sub-q，做遍歷，涉及到一些排序的策略，比如根據(jù)文本塊的相關(guān)性去篩選社區(qū)。然后又判斷社區(qū)的前k個(gè)文本塊的相關(guān)性，決定是否要去篩選子社區(qū)。 大概就是沒有社區(qū)報(bào)告了，從文本來入手了。
• 生成答案差不多，map-reduce， 每個(gè)sub-q針對檢索結(jié)果，生成結(jié)果，最后總結(jié)結(jié)果。

本文轉(zhuǎn)載自 ??NLP前沿??