From Local to Global: A Graph RAG Approach to Query-Focused Summarization¶
作者：【微软研究院】Darren Edge, Ha Trinh, Newman Cheng, Joshua Bradley, Alex Chao, Apurva Mody, Steven Truitt, Jonathan Larson
使用检索增强生成（RAG）从外部知识源检索相关信息使大型语言模型（LLMs）能够回答有关私人和/或以前未见过的文档集合的问题。然而，RAG 在针对整个文本语料库的全局问题上失败了，例如“数据集中的主题是什么？”，因为这本质上是一个以查询为中心的摘要 (QFS) 任务，而不是一个显式检索任务。与此同时，先前的 QFS 方法无法扩展到典型 RAG 系统索引的文本数量。为了结合这些对比方法的优点，我们提出了一种在私有文本语料库上进行问答的 Graph RAG 方法，该方法可根据用户问题的普遍性和要索引的源文本的数量进行扩展。
我们的方法使用 LLM 分两个阶段构建基于图的文本索引:
首先从源文档中派生实体知识图， 然后为所有密切相关的实体组预先生成社区摘要。 给定一个问题，每个社区摘要都用于生成部分响应，然后所有部分响应再次汇总为对用户的最终响应。
对于 100 万个 token 范围内的数据集的一类全局意义构建问题，我们表明，在生成答案的全面性和多样性方面，Graph RAG 比朴素的 RAG 基线有了显着的改进。
简介¶
GraphRAG 有什么优势:
> 能够更好地回答 "全局问题" (涉及整个数据集的问题)，而传统 RAG 方法在这方面表现不佳。
> 使用社区摘要和映射-归约方法来保留全局数据上下文中的所有相关内容。
GraphRAG 由什么组成:
主要两个部分：Indexing 和 Query
其中又包含了不同的流程，协同完成一个完整的 GraphRAG 流程。
> 索引 (Indexing):
使用 LLM 从文本文档中自动提取丰富的知识图谱。
>> Source Documents → Text Chunks
处理源文档时将输入文本分割成合适大小的文本块是一个基本设计考量。
更大的文本块虽能减少处理次数，但会影响提取信息的全面性。
例如，使用较小的 600 标记文本块相较于较大的 2400 标记文本块，能够获得更多的实体引用，
这在 HotPotQA 数据集的测试中得到了验证。
然而，提取过程的目标是达到最佳的召回率和精确度，这就需要在两者之间做出权衡。
>> Text Chunks → Element Instances
LLM 用于从文本中提取实体、关系和声明的描述，实质上是抽象性总结，依赖模型理解文本未直接表述但隐含的概念。
将实例级摘要转化为图元素描述需再经 LLM 汇总。
尽管可能因实体引用格式不一致导致重复，但因后续步骤会检测并总结紧密关联的实体社区，
且 LLM 能理解多变名字背后的同一实体，故整体方法能抵御此类变化。
使用详尽描述文本符合 LLM 特性和全局查询摘要需求，区别于依赖简洁、一致性知识三元组的传统知识图谱。
>> Element Instances → Element Summaries
使用 LLM 从文本中抽取实体、关系和声明描述，本身就是一种抽象总结，
依赖于 LLM 创建文本未明确提及但含义清晰的概念摘要。
要将实例级摘要转换为图元素的描述性文本，需再通过 LLM 进行一轮汇总。
尽管可能存在同一实体的多重引用导致重复节点的问题，
但由于后续会检测并总结实体的关联社区，加上 LLM 能识别实体名变体下的共通实体，
整体方法能容忍这种变体，前提是各变体间有足够联系。
我们采用的丰富描述性文本适合LLM能力和全局查询聚焦摘要需求，
区别于依赖简洁一致知识三元组的传统知识图谱，后者用于推理任务。
>> Element Summaries → Graph Communities
前一步生成的索引可视为加权无向图，实体节点通过关系边相连，边权重代表归一化的关系实例数。
利用社区检测算法，可将图划分为节点社区，社区内的节点相互间联系更紧密。
本流程采用 Leiden 算法，因其能有效恢复大规模图的层次化社区结构。
层次中的每一级都以互斥且全包的方式提供社区划分，便于分而治之的全局摘要。
> 查询 (Query):
通过检测图中节点的"社区"来报告数据的语义结构,形成多层次的主题概述。
>> Graph Communities → Community Summaries
为了应对大型数据集，研究者为 Leiden 层次结构中的每个社区构建了报告摘要，
这有助于用户理解数据集的整体架构和语义，即使在无特定查询时也能洞察语料库内容。
用户可通过浏览摘要发现主题，并深入查看子主题细节。
摘要生成策略包括：
>>> 对叶级社区，依据节点重要性添加摘要至语言模型上下文直至满载；
>>> 对高级社区，若摘要总量适中则直接汇总，否则替换较长摘要以适应窗口限制。
这一过程的核心是利用社区摘要构建图索引，以有效回应宏观查询。
>> Community Summaries → Community Answers → Global Answer
用户查询后，先前生成的社区概要经多阶段处理形成最终答案。
社区结构的层级特性允许利用不同层级的概要回答问题，引发探讨哪一层级最适于平衡概括详略与范围，利于综合理解。
具体步骤为：
>>> 随机打乱社区概要并分割成预设大小的片段，确保信息分散而非集中于单一视窗；
>>> 并行生成每段概要的中间答案，大型语言模型同时评分，0分答案被排除；
>>> 按评分降序整合中间答案至新视窗直至达上限，由此产生的最终视窗生成全球答案反馈给用户。
相关的技术讨论¶
> RAG 方法和系统:
RAG 使用 LLM 时，首先从外部数据源检索相关信息，并将其添加到LLM的上下文窗口中，与原始查询一并处理。
Naive RAG 方法通过文档转文本、切分文本块和嵌入向量空间实现，其中相似语义对应相似位置，然后查询也被嵌入同一空间，最近的 k 个文本块作为上下文
Advanced RAG 系统设计了预检索、检索和后检索策略来弥补朴素 RAG 的不足，而模块化 RAG 系统则采用迭代和动态循环检索生成模式。
Graph RAG 结合了多个系统的概念，如社区概要作为自我记忆用于增强检索，以及社区答案的并行生成类似于迭代或联邦检索-生成策略。其他系统也集成了这些概念进行多文档摘要和多跳问答。尽管如此，这些方法并未采用 Graph RAG 中所使用的自动生成的图索引。Graph RAG 的独特之处在于使用了能够自适应地对全局问题进行总结的图结构。