Tree-RAG工作流程及实体树应用介绍

引言

T-RAG方法基于将检索增强生成（Retrieval-Augmented Generation，简称RAG）架构与开源经过微调的大型语言模型（Large Language Model，简称LLM）以及实体树向量数据库相结合。这种方法的重点在于上下文检索。

具体来说，T-RAG系统:

首先利用RAG架构进行信息检索，这一架构通过结合检索到的文档片段和生成的文本来生成响应。
通过在开源的LLM上进行微调，使得模型能够更好地理解和适应特定组织的需求和术语。

此外，T-RAG还包括了一个实体树向量数据库，这个数据库存储了组织内部实体的详细信息及其层级结构。在处理用户查询时，系统不仅会搜索相关的文档片段，还会检测查询中提到的任何组织相关实体，并将这些实体的详细信息整合到生成的上下文中。

本文分享了在私有文件上部署问答系统的LLM应用的经验，使用了一种名为Tree-RAG（T-RAG）的系统，该系统结合了实体层次结构以提高性能。

亮点

在论文中，研究人员开发了一个应用，该应用将检索增强生成（RAG）与微调后的开源大型语言模型（LLM）结合在一起，用于生成响应。这个模型是使用指令数据集进行训练的。

他们引入了一个新颖的评估指标，称为Correct-Verbose，旨在评估生成响应的质量。这个指标根据其正确性评估响应，同时考虑包含超出原始问题范围的额外相关信息。

T-RAG

以下是Tree-RAG（T-RAG）的工作流程：

对于给定的用户查询，搜索向量数据库以寻找相关的文档片段，这些片段作为LLM在上下文学习中的参考知识。

如果查询提到了有组织性的实体，那么将从实体树中提取关于这些实体的信息，并添加到上下文中。

最终使用微调的Llama-2 7B模型根据输入的数据生成响应。

T-RAG的一个特点是除了向量数据库用于上下文检索之外，还包括了一个实体树。

实体树

T-RAG的一个显著特点是其结合了实体树和向量数据库来进行上下文检索。实体树存储了组织性的实体及其层级安排的详细信息。

这里所说的组织性是指：很多时候，一些概念本身是有组织的，比如一家公司的各个部门，会有一些层级关系。树中的每个节点代表一个实体，父节点表示其所属的一个更广义的实体，比如一个小组的父节点是其所属的部门。

在检索过程中，框架利用实体树来增强从向量数据库检索到的上下文。

实体树搜索和上下文生成的详细过程如下：

一个解析模块扫描用户查询，寻找与组织内实体名称相对应的关键词。
一旦识别出一个或多个匹配项，就从树中提取每个匹配实体的详细信息。
这些细节被转换成文本陈述，提供有关实体及其在组织层级中位置的信息。
随后，这些信息与从向量数据库检索到的文档片段合并，构建上下文。
由此，当用户询问有关实体时，模型可以获得有关实体及其在组织层级中的定位的相关信息。

例子

如下图所示：

这里使用了一个组织结构树，来展示如何执行树搜索和检索。

除了获取上下文文档外，还使用spaCy库和自定义规则来识别组织内的命名实体。

如果查询包含一个或多个这样的实体，将从树中提取有关实体层级位置的相关信息，并将其转换为文本陈述。然后，这些陈述被整合到上下文中，与检索到的文档一起使用。

然而，如果用户的查询没有提到任何实体，那么将省略树搜索过程，只使用从检索到的文档中获取的上下文以加速响应。

总结

这项研究结合了检索增强生成（RAG）和微调技术。同时，使用在本地部署的开源模型来解决数据隐私问题，。

此外，通过spaCy框架使用实体进行实体搜索和上下文生成也很有趣。通过这种方式，T-RAG能够在提供准确和相关响应的同时，保持对上下文的敏感性和对组织内部结构的理解。这种结合检索、生成和实体检测的方法，为构建高效、可靠的问答系统提供了一种有效的解决方案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述