LightRAG 的常识图谱是相比基础的 分片 + 实体 / 干系

LightRAG 就像一位 “如释重任” 的常识图谱行家，放置了复杂的社区聚类，径直构建常识图谱，支撑增量更新 —— 新数据只需补充节点和干系，无需重建全图，便捷又高效！🧠

它的检索神气也很智谋，摄取了双层检索政策：

低层级检索：专注细节，锁定具体实体的信息，比如 “某东说念主是谁”“某地在哪”。→

高层级检索：宽恕全局，管制宏不雅主题和趋势，比如 “某限制的发展方针”。→

这种假想让 LightRAG 能快速合适动态数据场景，同期保证检索既全面又精确，号称高效实用的 “常识捕手”！

（LightRAG 全体结构（图源 LightRAG 论文））

LightRAG 通过以下步伐终了常识图谱的构建与检索：

1. 实体和干系抽取：从文档中索要实体和干系（确实体称呼、类型、形容等），完成后进行去重操作，然后进行图索引，构建常识图谱。

节点属性：包括实体称呼、类型、形容、来源文档 ID。

干系属性：包括来源实体、特地实体、要害词、形容、来源文档 ID。

2. 要害词索要：

具体要害词：宽恕精肯定息（确实体称呼、属性），用于底层级检索。

详细要害词：宽恕宏不雅主题或限制信息，用于高层级检索。

3. 双层级检索：

低层级检索：针对具体要害词，查找特定实体偏激属性，提供迁延信息。

（示例要害词：如 “beekeeper”“hive”，取得具体实体的属性和干系。）

高层级检索：针对详细要害词，分析宏不雅主题、趋势或多个实体间的干系。

（示例要害词：如 “agriculture”“production”，提供全局性意见。）

4. 动态更新：当有新数据加入时欧洲杯体育，仅需更新新增的节点和边，无需重建扫数常识图谱，裁汰策动资本。