GraphRAG
GraphRAG je pristup proširene generacije dohvaćanjem (retrieval-augmented generation, RAG) koji proširuje velike jezične modele (large language models, LLMs) grafovima znanja kako bi se poboljšala kvaliteta odgovora i faktualnost. Umjesto dohvaćanja ravnih tekstualnih odlomaka, GraphRAG konstruira i pretražuje strukturirane grafove znanja izvučene iz dokumenata, pružajući bogate kontekstualne informacije jezičnom modelu.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Graph-based Retrieval-Augmented Generation. ScholarGate. https://scholargate.app/hr/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.
- Latent Diffusion ModelsDuboko učenje↔ compare
- Masked AutoencodersDuboko učenje↔ compare
- Segment Anything ModelDuboko učenje↔ compare
- Prostorno-vremenske konvolucijske mreže na grafovimaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →