本文介绍: 大型语言模型与知识图谱的完美结合：从LLMs到RAG，探索知识图谱构建的全新篇章
最近，使用大型语言模型（LLMs）和知识图谱（KG）开发 RAG（Retrieval Augmented Generation）流程引起了很大的关注。在这篇文章中，我将使用 LlamaIndex 和 NebulaGraph 来构建一个关于费城费利斯队（Philadelphia Phillies）的 RAG 流程。
我们用的是开源的 NebulaGraph 来完成这次的知识图谱。用来查询费城费利斯队的信息。我们将使用费城费利斯队的维基百科页面作为我们的其中一个信息源数据源，另一个是 YouTube 下载的一段视频。
我们的高级架构图如下：
文章转载：https://www.zhihu.com/question/299907037/answer/3340394547
对于那些已经熟悉知识图和 NebulaGraph 的人，请跳到 “详细实现” 部分。对于 NebulaGraph 的新手，请继续阅读。
1.知识图谱（KG）
知识图谱是使用图结构的数据模型或拓扑来集成数据的知识库。它是一种表示有关现实世界实体及其相互关系的信息的方法。知识图谱通常用于驱动搜索引擎、推荐系统、社交网络等。
1.1主要组件
知识图谱通常由两个主要组件组成：
- 顶点 / 节点：表示知识
原文地址:https://blog.csdn.net/sinat_39620217/article/details/135486690
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_54348.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
