Chiffon traditionnel vs rag graphique
- Intelligence Artificielle
Noesis News- 0
- 3 minutes de lecture
Auteur (s): Kalash Vasaniya
Publié à l’origine sur Vers l’IA.
Pourquoi le rag graphique surpasse la récupération classique: un chemin plus intelligent vers des réponses riches en contexte
Si vous n’êtes pas membre mais que vous souhaitez lire cet article, consultez ce lien d’ami ici.
Graph Rag est sûr à coup sûr.
La récupération de K Top-K en Rag fonctionne rarement.
Les méthodes de chiffon héritées dépendent de la sélection des passages ou des morceaux de texte les plus pertinents. Cela a une certaine efficacité, mais il est bientôt insuffisant si vous avez besoin d’une histoire complète et cohérente.
Considérez l’abréviation d’une biographie où chaque chapitre est dédié à une seule réalisation. Si vous prenez simplement le plus, vous omettrez des informations essentielles.
Cela vous fournit une image incomplète et produit des réponses qui peuvent manquer de contexte vital ou de liens entre les réalisations.
Le chiffon graphique n’est pas conventionnel.
Plutôt que d’utiliser directement les composants K les plus élevés, il forme un graphique interconnecté représentant des individus clés et comment ils interconnectent en fonction des textes source.
Pour prendre un exemple, si vous résumez une histoire de vie, le graphique RAG construit un graphique complet dans lequel l’individu (dans l’intérêt de l’argument, les nommez p) est lié à toutes les réalisations. La force du processus est qu’elle peut présenter l’image complète en identifiant et en maintenant des relations dans les informations qui seraient autrement perdues.
Collecte des entités et leurs relations L’une des étapes clés de Graph Rag est… Lisez le blog complet gratuitement sur Medium.
Publié via Vers l’IA
