LightRAG 的常识图谱是比拟基础的 分片 + 实体 / 相关

LightRAG 就像一位 “纵容自由” 的常识图谱大家，罢休了复杂的社区聚类，胜仗构建常识图谱，扶助增量更新 —— 新数据只需补充节点和相关，无需重建全图，浅薄又高效！🧠

它的检索模式也很灵巧，选拔了双层检索政策：

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：柔和全局，处罚宏不雅主题和趋势，比如 “某鸿沟的发展场所”。→

这种想象让 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 举座结构（图源 LightRAG 论文））

LightRAG 通过以下要领完满常识图谱的构建与检索：

1. 实体和相关抽取：从文档中索务实体和相关（确乎体称号、类型、描写等），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：包括实体称号、类型、描写、开端文档 ID。

相关属性：包括伊始实体、止境实体、枢纽词、描写、开端文档 ID。

2. 枢纽词索求：

具体枢纽词：柔和精服气息（确乎体称号、属性），用于底层级检索。

概述枢纽词：柔和宏不雅主题或鸿沟信息，用于高层级检索。

3. 双层级检索：

低层级检索：针对具体枢纽词，查找特定实体至极属性，提供小心信息。

（示例枢纽词：如 “beekeeper”“hive”，取得具体实体的属性和相关。）

高层级检索：针对概述枢纽词，分析宏不雅主题、趋势或多个实体间的相关。

（示例枢纽词：如 “agriculture”“production”，提供全局性观念。）

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，无需重建整个常识图谱，缩短策划资本。