Schema or Not? GraphRAG中的知识图谱抽取问题及RAG中的动态TopK选择策略

主要观点总结

文章主要讨论了技术进展中的两个问题，一是GraphRAG中的知识图谱构建问题，包括带schema和不带schema的抽取区别以及背后的逻辑；二是基于Chunk相关性最大化的动态TOP-k策略，介绍了一个有趣的工作和相关的策略思想。同时，文章还提及了关于加入技术社区的相关信息和加入方式。

关键观点总结

关键观点1: GraphRAG中的知识图谱构建问题

文章讨论了带schema和不带schema的知识图谱抽取在GraphRAG中的区别，以及为什么graphrag中不带schema。同时还提到了社区最近在讨论的两个话题：palantir和RAG问题中的topk设置。

关键观点2: 基于Chunk相关性最大化的动态TOP-k策略

文章介绍了一个基于Chunk相关性最大化的动态TOP-k策略的工作，主要解决top-k策略易遗漏关键片段的问题。这个策略包括两个子策略：One-shot检索策略和迭代检索策略。其中，One-shot检索策略的核心是权衡相关性和token数，选择总token数≤预算且总相关性得分最高的片段组合。

关键观点3: 社区加入相关信息

文章最后提到了老刘的社区，介绍了社区的相关信息和加入方式，包括每日早报、老刘说NLP历史线上分享、心得交流等内容。