GraphRAG如何构建知识图谱（Knowledge Graph）

GraphRAG如何构建知识图谱（Knowledge Graph）

GraphRAG是一种基于大模型的few shot能力来构建知识图谱的技术。它通过将输入的文档集合拆分成chunks，然后解析每个chunk中的实体和关系，最终构建出知识图谱。本文将详细介绍GraphRAG的具体实现方法和prompt模板的设计。

GraphRAG构建知识图谱的第一步是将输入的文档集合按照一定的策略拆分成一个个chunks，然后解析每个chunk中的实体(entity)和关系(relation)，以此构建知识图谱。

那么，GraphRAG是如何抽取文本中的实体及其间的关系的呢？与传统的NLP任务不同，GraphRAG并没有采用标注词性并训练LSTM/GRU网络的方法，而是借助大模型的few shot能力来提取输入文档中的实体关系。

GraphRAG默认使用OpenAI的ChatGPT，并基于默认的prompt模板来提取关系实体。考虑到不同文本所属领域和语言的差异，对于不同的输入文本，需要对prompt模板进行微调(tune)。

GraphRAG的prompt模板主要有三种类型：

1. Entity/Relation提取

• 作用：指示LLM如何提取实体关系
• 源码路径：http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/graph/prompts.py

2. 总结Entity/Relation描述

• 作用：指示LLM如何对每个Entity/Relation的功能进行总结
• 源码路径：http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/summarize/prompts.py

3. Claim提取

• 作用：指示LLM如何提取每个Entity的Claim（可以理解为Entity或Relation的属性）
• 源码路径：http://github.com/microsoft/graphrag/blob/main/graphrag/index/graph/extractors/claims/prompts.py

以提取Entity/Relation为例，prompt包含Goal、Steps、Examples等几个部分，用于告诉LLM本次任务的目标、达成目标的方法，并通过Examples部分提供具体示例。微调prompt以适应当前任务的主要方法是修改Examples部分，将本次任务领域的实体关系举例写进并替换Examples部分的例子，从而帮助LLM识别并提取本次任务关注的实体关系类型。