首页 > 机器学习 > 正文

从GraphRAG看信息的重新组织
2024-08-31

GraphRAG俨然已经成为了一种新的技术路线；虽然类似的技术还有很多不成熟的地方。前几天发现，学术界已经有关于GraphRAG的综述出现了[1]，链接在文末，供大家参考。

不过今天我们要讨论的重点不是这个。我想跟大家聊一聊：沿着GraphRAG的思路，在LLM的时代，信息可能以什么样的方式被重新组织？

数据的两种类型及处理路径

在一个数字化的世界里，数据有两种：一种是给人看的，一种是给机器看的。

给人看的数据，比如新闻、网页、论文、专利文本。这些数据是由人生产的，生产出来的目的也是给人看的，用于传递信息或知识。所以，它们天然就是无结构的free text。在LLM出现之前，计算机系统对这些信息进行直接处理，是很困难的。

至于另一种给机器看的数据，指的是传统计算机程序可以直接处理的结构化数据，比如xml、json、关系表格，等等。它们在计算机程序之间传递信息或指令，支撑整个系统的运转。这些数据通常有严格的schema的约束，大部分由机器产生，也由机器消费。

现在，我们把关注点放在前一类数据上。由于这部分数据是为了给人看的，所以如果涉及到对信息进行处理，就需要大量的人力参与其中。

具体需要做什么处理呢？对于一个严肃的信息获取场景来说，抽象来看，人们通常需要对数据进行三个阶段的处理：

  • 检索；
  • 提取；
  • 整合。

举个例子，假设你的主管布置了一项任务，要求你针对某项技术调研一下业界方案。第一步，你肯定会去互联网上检索各种相关资料，查阅业界各大公司的官网、技术博客，查阅相关论文，以及检索行业会议的信息。第二步，从这些资料中提取当前关注的技术方案在各个维度的关键信息，比如各个方案的技术原理、适用范围、核心难点、优势、局限性，等等。第三步，对所有这些关键信息进行整合，得到最终结论。这个「最终结论」，一般来说是简短的、高度概括的，而且是自然语言的，给人看了用于进一步决策的。

以前的信息系统，只能辅助完成第一步的检索工作。后面的提取、整合，仍然主要是人的工作。但是LLM出现之后，后面这两步也有希望由计算机程序来处理了。

信息的组织形式

为了对海量的信息进行检索和处理，信息系统需要对数据做某种形式的提前组织。

搜索引擎算是一种传统的技术，它出于检索的目的，基于关键词将文本数据组织成倒排索引的形式。这种数据组织形式，简单可解释。

但是，这种关键词索引的数据组织形式，只能支撑粗粒度的「检索」任务。数据的存储单元，是一个完整的document。比如，一个网页是一个document，一篇新闻报道是一个document，一篇论文是一个document。我们可以根据关键词，定位到若干个document。但有两个遗留问题没有解决：

  • 一个是广度的问题。在严肃的信息获取场景下，我们对于信息的完整性有比较高的要求。也就是说，用关键词检索出「某些」资料是不够的，还希望查到的资料要全。把散落到各处的信息，按照要求收集到一起，仅依靠关键词索引很难覆盖到。
  • 另一个是深度的问题。通过关键词索引可以定位到document级别，但这些document内部更细粒度的信息，就需要人来提取、整合。

于是，有些人尝试从document中预先把有用的信息提取出来，做成结构化的数据。一般有两种形式：一种是知识图谱，按照实体和实体关系来组织信息，类似企查查、天眼查组织企业数据的形式；另一种是表格形式，常见的例子是金融领域的一些应用，把各个公司的历史财务信息（营业额、利润、资产负债、现金流量等）、分红派息行为、机构持股变动等信息，汇总成表格呈现给投资者。

不管是知识图谱，还是表格数据，它们都属于「给人看」的结构化数据。把这些数据生产出来，需要耗费大量的人力（机器可以辅助一部分），因此，这种人工组织信息的方式，只能在商业价值高的一些领域内小范围使用。

LLM的出现，改变了这一切。它把整个互联网上公开可访问的文本信息，压缩进了模型当中。可以想象一下，LLM把信息重新组织、重新打散，按照某种难以理解的方式，存储在了数十亿甚至数百亿个参数中。它组织信息的粒度更细。前面讲的倒排索引，组织信息的粒度是document；知识图谱和表格，组织信息的粒度是人能够理解的实体概念和实体关系；而LLM组织信息的粒度，则是一个个的token。

已经有不少研究人员在研究LLM内部的数据表示了，而且取得了一些进展。比如，Anthropic的一个研究表明，他们从Claude 3 Sonnet模型中，提取出了数百万个特征[2]。但是，LLM内部对于信息的组织形式，整体上看仍然是个黑盒。

GraphRAG带来的启示

本来人们对LLM的期望是很高的，认为它可能会颠覆知识产业。从逻辑上讲，这么想是有些道理的。既然LLM已经吃进去了互联网上所有的公开数据，将信息在内部做了重新组织，相当于学到了数据里面所表示的知识，自然可以解答信息或知识层面的「任何」问题。我们前面提到的检索、提取、整合，这三个阶段的信息处理过程，理论上LLM似乎是能端到端地做掉的。

但是，LLM在能力上目前还有两个关键的不足：一个是推理能力 (reasoning) 还达不到真实业务场景的要求；另一个是幻觉问题，这是一个顽疾。这些不足让LLM难以单独成为端到端的解决方案。

微软提出的GraphRAG方案[3]，提供了一个新的思路。GraphRAG整个系统可以分成两个大的模块：Indexer和Query。Indexer负责从非结构化的文本中提取实体和实体关系，形成结构化的图谱，并支持层次化建图；Query模块则负责利用建好的图谱执行问答任务。

这里隐含着一些思路的转变。

GraphRAG仍然是按照实体和实体关系对世界进行建模的，但它按照这种图的模型对信息进行重新组织的时候，是充分利用了LLM学到的知识的。这相当于找到了一种实现路径，把关注的重点从LLM内部转移到了LLM外部。LLM内部是个黑盒，但它却有一个「人格化」的界面，输入和输出都是自然语言的。因此，利用LLM做信息的重新组织，LLM内部的知识就「外化」到了建图的过程中了，而且变成了人可以理解的形式。

这里有两个关键点需要注意：

  • GraphRAG更充分利用了LLM的知识。至少是比传统的RAG更多地利用了模型的知识。在传统的RAG中，LLM主要发挥作用的地方是最后一步。它在训练阶段所学到的——对于这个世界的理解——很可能并没有充分发挥出来。而在GraphRAG中，LLM对世界的理解，体现在了对实体和实体关系的识别过程中。
  • 在LLM外部对信息进行重组，意味着更加可控，也意味着人可以理解和参与这个控制工程。

可以畅想一下，如果做得足够好的话，我们可能能够得到一种新型的知识库的组织形式。它以自然语言为界面来提供对信息的查询；内部则以一种全新的方式来组织数据。这种对数据的组织，不是基于关键词的浅层的关联，而是包含了语义上的关联，包含了LLM对于世界的理解。

GraphRAG的一些实现细节

GraphRAG整个系统可以分成两个大的模块：Indexer和Query。我们这里着重对Indexer进行介绍。这个介绍包含一些技术细节，非技术同学可以跳过。

GraphRAG的Indexer模块需要对原始输入文本文件进行一系列的处理变换，形成了多个数据处理的pipeline。这些pipeline在实现中使用了DataShaper[4]的Workflow系统来完成：

  • 每个数据处理pipeline使用一个Workflow来表达。比如，create_base_text_units、create_base_extracted_entities等（截止到2024.08的GraphRAG代码，共包含14个workflow）。
  • 在Workflow之间，有一定的依赖关系，形成一个有向无环图DAG。这决定了Workflow哪些先执行，哪些后执行。
  • 每个Workflow内部，又细分为若干个step，每个step被称为一个verb。

这个DAG如果画出来，如下图所示（点击看大图）：

GraphRAG的Indexer的执行Workflows

上图中每个节点表示一个Workflow。从Workflow的名字可以大体猜出来它具体执行的工作，这里就不一一介绍了。其中有个Workflow叫create_base_entity_graph，功能有点特殊，这里简单介绍两句。它实际上在执行社区检测算法（一个称为leiden的算法[5]），把关联相近的实体分割到一个子图里面。这个划分子图的过程可以递归进行，在子图中继续划分子图，从而把图建成层次化的。

不足和展望

GraphRAG提供了非常好的一种思路。但这种技术目前仍不成熟。有一些关键问题值得未来去仔细思考：

  • 建模的合理性。GraphRAG的本质，还是在于应该如何对信息进行建模。它目前采取了图的方式，但不代表图这种方式就能对现实世界的信息进行全面的建模。比如历史数据、时间序列数据，如何融合到图当中？
  • 图谱的规模。GraphRAG到底能支持多大规模的数据，还是未经验证的问题。它能应用到开放域，还是只能够用于特定领域？另一方面，如果数据规模很大，建图的成本也非常高。
  • 如何在人为可控的方式下建图？只基于LLM来建图，会引入非常多的噪声。如何在充分利用LLM知识的基础上，把领域专家的经验也引入进来，也是非常重要的一个问题。

（正文完）

参考文献：

其它精选文章：


原创文章，转载请注明出处，并包含下面的二维码！否则拒绝转载！
本文链接：http://zhangtielei.com/posts/blog-graph-rag-information_org.html
欢迎关注我的个人微博：微博上搜索我的名字「张铁蕾」。
我的微信公众号: tielei-blog (张铁蕾)
上篇： 技术变迁中的变与不变：如何更快地生成token？
下篇： 从韦小宝谈起：道德底线与普通人的善恶观

栏目分类

最新文章