图技术在 LLM 下的应用：知识图谱驱动的大语言模型 Llama Index( 三 ) _图谱

显然，那些（可能很宝贵的）涉及到主题 x 的精炼信息来自于其他节点以及跨节点的信息，都因为我们引入知识图谱，而能够被包含在中，用于进行上下文学习，从而克服了前面提到的问题。
Llama Index 中的知识图谱进展
最初， F.H.将知识图谱的抽象概念引入了 Llama Index，其中知识图谱中的三元组与关键词相关联，并存储在内存中的文档中，随后Logan 还增加了每个三元组的嵌入。
最近的几周中，我一直在与 Llama Index 社区合作，致力于将 “” 存储上下文引入 Llama Index，从而引入了知识图谱的外部存储。首个知识图谱的外部存储是对接开源分布式图数据库，目前在我的努力下已经实现了。
在实现过程中，还引入了遍历图的多个跳数选项以及在前 k 个节点中收集更多关键实体的选项，用于在知识图谱中搜索以获得更多全局上下文。上面提到的这些变更还在陆续完善中。
在大模型中引入后，还可以从现有的知识图谱中进行上下文学习，并与其他索引结合使用，这也非常有前景。因为知识图谱被认为具有比其他结构化数据更高的信息密度。
本文作为开篇，讲述了一些知识图谱和 LLM 的关系。在后续的文章中，将会偏向实操同大家分享具体的知识图谱和 LLM 的应用实践。
–
谢谢你读完本文 (///▽///)
欢迎前往来阅读源码，或是尝试用它解决你的业务问题 yo~地址：想要交流图技术和其他想法，请前往论坛：