RAG和知識圖譜集成可以釋放出更大的潛力，實(shí)現(xiàn)更深入的理解、推理和準(zhǔn)確性。

在當(dāng)今信息驅(qū)動的時(shí)代，數(shù)據(jù)是企業(yè)、研究人員和個(gè)人的重要資源。然而，這些數(shù)據(jù)通常分散在跨系統(tǒng)的孤島中，它們是非結(jié)構(gòu)化的，并且無法進(jìn)行有效的分析。挑戰(zhàn)不僅在于擁有大量數(shù)據(jù)，還在于以有意義的方式理解這些數(shù)據(jù)。

檢索增強(qiáng)生成（retrieval - augmented Generation， RAG）是一種結(jié)合了信息檢索和自然語言生成的優(yōu)勢來提取和合成知識的技術(shù)。RAG系統(tǒng)從外部來源檢索相關(guān)數(shù)據(jù)，并使用人工智能生成準(zhǔn)確且內(nèi)容豐富的響應(yīng)。當(dāng)與知識圖譜（實(shí)體及其關(guān)系的結(jié)構(gòu)化網(wǎng)絡(luò)）集成時(shí)，RAG系統(tǒng)將釋放出更大的潛力，實(shí)現(xiàn)更深入的理解、推理和準(zhǔn)確性。

本文探討了RAG和知識圖譜之間的協(xié)同作用，并提供了真實(shí)世界的示例、詳細(xì)的解釋和清晰的可視化圖表，以展示它們的變革能力。

RAG概念、運(yùn)行原理及局限性

檢索增強(qiáng)生成（RAG）代表了人工智能的一個(gè)突破，它增強(qiáng)了傳統(tǒng)語言模型的能力。雖然像GPT這樣的大型語言模型（LLM）是在龐大的數(shù)據(jù)集上訓(xùn)練的，但它們有知識截?cái)啵╧nowledge cutoff），無法訪問實(shí)時(shí)或特定領(lǐng)域的信息。RAG通過結(jié)合下述兩個(gè)組件來解決這些限制：

• 檢索模塊：從外部數(shù)據(jù)庫或知識來源中獲取相關(guān)信息。
• 生成模塊：使用檢索到的數(shù)據(jù)以自然語言生成響應(yīng)。

為了更好地理解RAG，請考慮以下場景：

• 示例：用戶詢問AI系統(tǒng)：“DreamBook Pro筆記本電腦的最新發(fā)布日期是什么時(shí)候？”
• 沒有RAG：LLM依賴于預(yù)訓(xùn)練的數(shù)據(jù)，這些數(shù)據(jù)可能不包括最新的產(chǎn)品細(xì)節(jié)?；卮鹂赡苁沁^時(shí)的或模糊的。
• 使用RAG：系統(tǒng)從公司的數(shù)據(jù)庫中檢索最新的產(chǎn)品信息，并使用它來生成準(zhǔn)確的和上下文敏感的答案。

雖然RAG顯著提高了人工智能的能力，但沒有知識圖譜的RAG也存在諸多局限性：

• 關(guān)鍵字依賴：檢索依賴于關(guān)鍵字相似度，這可能會錯過細(xì)微的含義。
• 有限的上下文理解：由于缺乏語義結(jié)構(gòu)，RAG很難解釋數(shù)據(jù)點(diǎn)之間的復(fù)雜關(guān)系。
• 不一致的準(zhǔn)確性：系統(tǒng)可能檢索到不相關(guān)的數(shù)據(jù)或產(chǎn)生幻覺反應(yīng)。

好消息是，這些限制性都可以通過集成知識圖譜來解決。

知識圖譜概念及運(yùn)行原理

知識圖譜（knowledge graph）是信息的結(jié)構(gòu)化表示，其中實(shí)體（Entities）是表示概念、人員或?qū)ο蟮墓?jié)點(diǎn)；關(guān)系（Relationships）是定義實(shí)體如何連接的邊緣。

下面以一個(gè)電影數(shù)據(jù)庫的知識圖譜為例：

• 實(shí)體：電影、導(dǎo)演、演員、類型。
• 關(guān)系：

a.《教父》由弗朗西斯·福特·科波拉執(zhí)導(dǎo)。

b.阿爾·帕西諾主演了《教父》。

C.《教父》屬于犯罪片類型。

使用這種結(jié)構(gòu)，人工智能可以回答以下問題：“弗蘭西斯·福特·科波拉執(zhí)導(dǎo)的哪部電影有阿爾·帕西諾參演？”

RAG和知識圖譜如何協(xié)同工作

當(dāng)與RAG集成時(shí)，知識圖譜可以提供下述功能：

• 上下文豐富：通過連接實(shí)體和關(guān)系，知識圖譜增加了檢索數(shù)據(jù)的語義深度。
• 邏輯推理：系統(tǒng)可以導(dǎo)航關(guān)系來回答復(fù)雜的查詢。
• 準(zhǔn)確性：反應(yīng)基于結(jié)構(gòu)化的、經(jīng)過驗(yàn)證的數(shù)據(jù)，減少了幻覺的風(fēng)險(xiǎn)。

下圖是傳統(tǒng)RAG工作流程與經(jīng)過知識圖譜增強(qiáng)的RAG的對比圖：

傳統(tǒng)RAG工作流程

在傳統(tǒng)檢索增強(qiáng)生成（RAG）工作流中，用戶查詢要經(jīng)過以下步驟：

• 用戶查詢：用戶提出問題或請求。
• 檢索模塊：系統(tǒng)根據(jù)用戶的查詢進(jìn)行相關(guān)文檔或數(shù)據(jù)的檢索。
• 生成模塊：系統(tǒng)使用預(yù)訓(xùn)練的語言模型（LLM）和檢索到的數(shù)據(jù)生成響應(yīng)。

示例：餐廳推薦

想象一下，你正在使用聊天機(jī)器人尋找一家餐館。你輸入：“我附近有哪家好的意大利餐廳？”

傳統(tǒng)RAG的工作流程表現(xiàn)為以下方式：

• 用戶查詢：聊天機(jī)器人接收你的查詢。
• 檢索模塊：聊天機(jī)器人在餐館數(shù)據(jù)庫中搜索提供意大利美食的地方。
• 生成模塊：聊天機(jī)器人根據(jù)檢索到的信息生成響應(yīng)。

傳統(tǒng)RAG的回應(yīng)：“你附近有一些意大利餐館：路易吉披薩店、貝拉面食店和羅馬小酒館?！?/p>

雖然這種回答也能提供幫助，但它可能缺乏個(gè)性化或上下文，比如餐廳的氛圍或評級。

知識圖譜增強(qiáng)的RAG工作流

在增強(qiáng)型RAG工作流中，查詢首先與知識圖譜交互，然后再進(jìn)行檢索和生成。知識圖譜通過連接相關(guān)信息和豐富響應(yīng)來增加上下文。

它的不同之處表現(xiàn)為以下方面：

• 知識圖譜將數(shù)據(jù)組織成實(shí)體（例如，餐館、菜系、位置）和關(guān)系（例如，“供應(yīng)美食”、“有評級”）。
• 查詢與知識圖譜交互以識別相關(guān)的實(shí)體和屬性。
• 然后將這個(gè)豐富的上下文傳遞給檢索和生成模塊，以獲得更準(zhǔn)確的響應(yīng)。

示例：用知識圖譜推薦餐廳

使用相同的查詢：“我附近有哪家好的意大利餐廳？”

增強(qiáng)型RAG的工作流程表現(xiàn)為以下方式：

• 用戶查詢：聊天機(jī)器人接收你的查詢。
• 知識圖譜交互：聊天機(jī)器人使用知識圖譜來查找提供意大利美食的餐館、它們的位置、評級和顧客評論。
• 檢索模塊：聊天機(jī)器人根據(jù)豐富的查詢檢索最相關(guān)的信息。
• 生成模塊：聊天機(jī)器人生成詳細(xì)的響應(yīng)。

增強(qiáng)型RAG的回應(yīng)：“我推薦Bella Pasta。它供應(yīng)正宗的意大利菜，有4.8顆星的評級，距離酒店只有2英里。人們最喜歡他們的意大利寬面！”

• 傳統(tǒng)的RAG工作流：用戶查詢依次通過檢索和生成模塊。
• 帶有知識圖的增強(qiáng)型RAG工作流：用戶查詢首先與知識圖譜交互以豐富上下文，然后再進(jìn)行檢索和生成。

現(xiàn)實(shí)用例

用例1：職業(yè)推薦系統(tǒng)

場景：用戶請求系統(tǒng)：“什么職業(yè)適合喜歡解決問題和與數(shù)字打交道的人？”

沒有知識圖譜的情況下，RAG系統(tǒng)會使用TF-IDF等術(shù)語匹配技術(shù)來推薦職業(yè)：

查詢：我喜歡解決問題和與數(shù)字打交道。

推薦職業(yè)：軟件工程師：從事創(chuàng)建軟件解決方案的工作，通常需要解決問題和分析技能。

這個(gè)回答雖然相關(guān)，但忽略了對數(shù)字技能的關(guān)注，因?yàn)樗兇庖蕾囉陉P(guān)鍵詞重疊。

而在集成知識圖譜的情況下，系統(tǒng)可以理解如下關(guān)系：

• “數(shù)據(jù)科學(xué)家”需要“解決問題”和“數(shù)值分析”。
• “軟件工程師”側(cè)重于“解決問題”和“編程”。

因此，其輸出結(jié)果為“推薦職業(yè)：數(shù)據(jù)科學(xué)家：涉及數(shù)字、統(tǒng)計(jì)模型和解決問題的技術(shù)?！?/p>

用例2：旅游推薦系統(tǒng)

場景：用戶查詢：“我在歐洲哪里可以徒步旅行，欣賞美麗的風(fēng)景？”

在沒有知識圖譜的情況下，系統(tǒng)只會檢索通用結(jié)果：“推薦：你可以嘗試去瑞士徒步旅行，或者去法國的旅游景點(diǎn)?！?/p>

對于這些地點(diǎn)的美麗，他們的回答缺乏深度或具體的推理。

在集成知識圖譜的情況下，系統(tǒng)會提供結(jié)合位置、活動和屬性的完整輸出：

• “瑞士”提供“徒步旅行”和“風(fēng)景”。
• “法國”提供“旅游景點(diǎn)”。

由此，系統(tǒng)響應(yīng)結(jié)果為“推薦：瑞士有風(fēng)景優(yōu)美的徒步旅行路線，尤其是在阿爾卑斯山?？紤]采爾馬特的壯麗景色?！?/p>

下圖是一個(gè)簡化的旅游推薦知識圖譜：

節(jié)點(diǎn)：瑞士，徒步旅行，風(fēng)景。

優(yōu)勢：將瑞士與徒步旅行和風(fēng)景聯(lián)系起來，創(chuàng)造語義理解。

技術(shù)實(shí)現(xiàn)

代碼示例：構(gòu)建知識圖譜

from rdflib import Graph, Literal, RDF, URIRef, Namespace

# Initialize a knowledge graph
g = Graph()
ex = Namespace("http://example.org/")

# Add travel-related entities and relationships
g.add((URIRef(ex.Switzerland), RDF.type, ex.Location))
g.add((URIRef(ex.Switzerland), ex.activity, Literal("Hiking")))
g.add((URIRef(ex.Switzerland), ex.feature, Literal("Scenic Landscapes")))
g.add((URIRef(ex.France), RDF.type, ex.Location))
g.add((URIRef(ex.France), ex.activity, Literal("Tourist Attractions")))

# Query the knowledge graph
query = """
    PREFIX ex: <http://example.org/>
    SELECT ?location ?feature WHERE {
        ?location ex.activity "Hiking" .
        ?location ex.feature ?feature .
    }"""
results = g.query(query)for row in results:
    print(f"Recommended Location: {row.location.split('/')[-1]}, Feature: {row.feature}")

推薦地點(diǎn)：瑞士，特點(diǎn)：風(fēng)景優(yōu)美

跨域應(yīng)用

• 醫(yī)療保健：結(jié)合癥狀、治療方法和研究論文，推薦個(gè)性化的醫(yī)療建議。
• 教育：根據(jù)學(xué)生的背景和目標(biāo)建議課程或?qū)W習(xí)路徑。
• 客戶支持：通過將常見問題解答和手冊鏈接到知識圖譜，提供準(zhǔn)確的產(chǎn)品或服務(wù)信息。

結(jié)語

RAG和知識圖譜的集成改變了人工智能系統(tǒng)處理和生成響應(yīng)的方式。通過打破數(shù)據(jù)孤島和引入結(jié)構(gòu)化關(guān)系，這種協(xié)同作用可確保更準(zhǔn)確、上下文敏感和有洞察力的輸出。從職業(yè)推薦到旅行規(guī)劃，其應(yīng)用范圍非常廣泛，讓我們得以一窺智能系統(tǒng)的未來。

在知識圖譜的支持下，RAG不再僅僅是回答問題，而是深入地理解問題，從復(fù)雜性中進(jìn)行推理，并傳遞價(jià)值。

原文標(biāo)題：??From Data Silos to Intelligent Systems: RAG and Knowledge Graph Synergy??，作者：Shaik Abdul Kareem