گرافرگ (GraphRAG)
گرافرگ یک رویکرد تولید تقویتشده با بازیابی (RAG) است که مدلهای زبان بزرگ را با گرافهای دانش تقویت میکند تا کیفیت و واقعگرایی پاسخها را بهبود بخشد. گرافرگ به جای بازیابی قطعات متنی مسطح، گرافهای دانش ساختاریافتهای را که از اسناد استخراج شدهاند، میسازد و از آنها پرسوجو میکند و اطلاعات متنی غنی را به مدل زبان ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Graph-based Retrieval-Augmented Generation. ScholarGate. https://scholargate.app/fa/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.
- مدلهای انتشاری نهفتهیادگیری عمیق↔ compare
- خودرمزگذارِ پوشیده (Masked Autoencoders)یادگیری عمیق↔ compare
- مدل قطعهبندی هر چیزی (Segment Anything Model - SAM)یادگیری عمیق↔ compare
- شبکههای کانولوشن گرافی فضایی-زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →