← Каталог

· AI Engineer World's Fair 2025

HybridRAG: объединение графового и векторного поиска для улучшения интерпретации данных

HybridRAG: A Fusion of Graph and Vector Retrieval to Enhance Data Interpretation

В HybridRAG, который сочетает граф знаний и векторный поиск, качество ответов зависит прежде всего от того, как из документов извлекаются триплеты.

  • Онтология под задачу — схему сущностей и связей задают в промпте LLM. Спикер оценивает, что на её подбор уходит около 80% времени, потому что шумные триплеты дают шумный retrieval.
  • Очистка данных и короткий вывод — удаление регулярных выражений, окончаний 's и лишних символов, а также ограничение длины вывода улучшили извлечение. По словам спикера, LoRA-дообучение Llama на 100 документах подняло точность с 71% до 87%.
  • Ускорение обхода графа — cuGraph, подключаемый в NetworkX, снижает задержку при многоходовом обходе больших графов, поэтому можно глубже идти по связям.
  • Оценка через Ragas — библиотека проверяет retrieval и ответ сквозным образом по faithfulness, answer relevancy, precision и recall, а вместо GPT в неё можно подключить свою модель.

Кому полезно: тем, кто решает, нужен ли граф знаний поверх RAG, например на структурированных финансовых или розничных данных.

Статья по теме

Главы

Похожие доклады