GraphRAG With Neo4j

GraphRAG包括两个处理阶段，分别是：索引阶段和查询阶段。索引阶段利用LLM来自动化构建知识图谱，提取出对应的节点（如实体）、边（如关系）和协变量（如主张，claim），然后利用社区发现技术（如Leiden算法）对整个知识图谱进行子图划分，然后自底而上对子图利用LLM进行摘要、总结。针对特定查询，“全局答案（Global Search）”汇总所有与之相关的社区摘要最后汇总生成答案。

相比较传统的RAG, GraphRAG 的优势在于:

1.更好的解释性。GraphRAG通过构建知识图谱，将实体和关系结构化地表示出来，使得系统的回答更具解释性。传统的RAG主要依赖于文本嵌入，虽然能够匹配相关文本，但缺乏对数据的全局理解和解释能力。

2.更全面和多样的回答。GraphRAG通过知识图谱的构建，能够提供更全面和多样的回答。它不仅能够回答直接匹配的问题，还能通过图谱中的关系和上下文提供更深入的分析和回答。这使得GraphRAG在处理复杂查询时表现更优。

3.处理复杂查询的能力。GraphRAG在处理需要跨多个文档或数据源的复杂查询时表现更好。它能够通过知识图 谱连接不同的实体和关系，提供更全面的回答。传统的RAG系统在处理这种复杂查询时，可 能会因为仅依赖于文本嵌入而无法连接相关信息。

举个例子，假如有一个s针对众多科学家的介绍文章，每个科学家都有国籍，假如查询”有哪些科学家是邻居? “由于文章并不包括邻居相关的信息，邻居是需要通过科学家->国家>科学家的关系构建才能发现，因此这类问题传统RAG就无法解决。
实践操作

虽然网上对于GraphRAG+Ollama+Neo4j的教程比较多，但由于本人工作高度依赖服务器，因此在服务器部署上也踩坑许多，记录下来分享给大家。

首先按照如下文章进行操作：

https://blog.csdn.net/vivisol/article/details/140873457?ops_request_misc=&request_id=&biz_id=102&utm_term=graphrag+ollama&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-7-140873457.142^v100^pc_search_result_base2&spm=1018.2226.3001.4187

https://blog.csdn.net/2401_84208172/article/details/142935777

https://blog.csdn.net/2401_85375186/article/details/141757369?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0-141757369-blog-140640415.235^v43^pc_blog_bottom_relevance_base1&spm=1001.2101.3001.4242.1&utm_relevant_index=3