本文主要是介绍RAG+知识图谱，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
RAG结合知识图谱的应用场景有哪些？
RAG已经是相当成熟的落地技术，但它有一个短板：RAG没办法处理检索能力覆盖不到的知识。知识图谱能给大模型提供很多语料和检索之外的知识，进而使模型效果大大提升。可以用到知识图谱的环节：
（1）文档切片环节：实际情况要么切片太大，给大模型引入一堆无关知识，影响准确度；要么切片太小，知识不完整，没办法回答问题。
可以通过知识图谱，把实体相关知识点都放入到一个切片中，这样就能保证切片的细粒度刚刚合适。保证每一个片段都有且只有一个知识点，这样才最有利于检索。
（2）排序环节：在检索时，经常会出现相关性最高的切片里根本没包含最优答案内容的情况。
可以通过知识图谱让所有切片构建出实体关系，可以大大提升找出切片里包含最优内容的概率。
（3）query改写：如用户提问“iphone7发布的时候，在任的美国总统发布了哪些关于医保的政策。”如果说直接去检索，基本找不到对应的知识，但是通过知识图谱，我们可以知道当时的总统是奥巴马，把问题直接改写成“奥巴马发布了哪些关于医保的政策”，再去检索。
（4）答案生成环节：1）给生成的答案进行内容补充 2）给错误答案进行校正或者置信度打分。
这篇关于RAG+知识图谱的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
