GraphRAG
GraphRAG е подход за генериране с подсилено извличане (retrieval-augmented generation), който обогатява големите езикови модели с графове на знанието, за да подобри качеството и фактологическата точност на отговорите. Вместо да извлича плоски текстови пасажи, GraphRAG конструира и извлича информация от структурирани графове на знанието, извлечени от документи, предоставяйки богата контекстуална информация на езиковия модел.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., & Wang, M. (2023). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Graph-based Retrieval-Augmented Generation. ScholarGate. https://scholargate.app/bg/deep-learning/graphrag
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Латентни дифузионни моделиДълбоко обучение↔ compare
- Маскирани автоенкодериДълбоко обучение↔ compare
- Модел за сегментиране на всичкоДълбоко обучение↔ compare
- Пространствено-времеви конволюционни мрежи върху графиДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →