Microsoft veröffentlicht GraphRAG 2.0 mit verbesserter Integration von Wissensgraphen

Vorstellung

Microsoft Research hat GraphRAG 2.0 veröffentlicht, ein großes Update ihres graph-augmented retrieval-Systems, das Wissensgraphen mit traditioneller vector-Suche kombiniert, um die Antworten auf Fragen zu verbessern.

Hauptverbesserungen

Verbesserte Entitätsextraktion

GraphRAG 2.0 führt ein neues neuronales Modell zur Entitätsextraktion ein, das eine Genauigkeit von 92% auf komplexen technischen Dokumenten erreicht, gegenüber 78% in der vorherigen Version.

DEVELOPERpython
# Example entity extraction
entities = graphrag.extract_entities(document)

# Output includes:
# - Named entities (people, organizations, locations)
# - Technical concepts
# - Relationships between entities
# - Confidence scores

Kartierung der Beziehungen

Die neue Version erkennt und kartiert automatisch die Beziehungen zwischen Entitäten und erstellt so einen reichhaltigen Wissensgraph, der Multi-Hop-Reasoning ermöglicht.

Leistungsgewinne :

• Verbesserung von 40% bei Multi-Hop-Fragen
• Reduktion der Halluzinationen um 25%
• Bessere Handhabung der Entitäts-Disambiguierung

Hybride Sucharchitektur

GraphRAG 2.0 kombiniert drei Suchmethoden :

1. Vector-Ähnlichkeit : Semantische Suche in Dokumenten
2. Graph-Traversal : Verfolgung der Beziehungen zwischen Entitäten
3. Text-Matching : Retrieval basierend auf Schlüsselwörtern

Die Ergebnisse werden mithilfe eines gelernten Ranking-Modells zusammengeführt.

Benchmark-Ergebnisse

Getestet auf dem Datensatz HotpotQA (Multi-Hop-Fragen) :

Anwendungsfälle

GraphRAG 2.0 ist besonders stark in :

• Analyse von Forschungsartikeln (Verfolgung von Zitiernetzwerken)
• Überprüfung juristischer Dokumente (Nachverfolgbarkeit von Präzedenzfällen)
• Technische Dokumentation (Verständnis der Beziehungen zwischen Komponenten)
• Unternehmens-Wissensdatenbanken (Verknüpfung isolierter Informationen)

Implementierung

Verfügbar als Open-Source-Python-Paket :

DEVELOPERpython
from graphrag import GraphRAG

# Initialize with your documents
rag = GraphRAG(
    documents=documents,
    embedding_model="text-embedding-3-large",
    graph_extraction_model="gpt-4"
)

# Build knowledge graph
rag.build_graph()

# Query with graph-aware retrieval
answer = rag.query(
    "How does component A interact with system B?",
    use_graph_traversal=True,
    max_hops=3
)

Einschränkungen

Trotz seiner Leistungsfähigkeit weist GraphRAG 2.0 einige Einschränkungen auf :

• Höhere Rechenkosten (der Aufbau des Graphen ist kostenintensiv)
• Erfordert strukturierte oder semi-strukturierte Daten für bessere Ergebnisse
• Die Qualität des Graphen hängt von der Genauigkeit der Entitätsextraktion ab
• Nicht ideal für rein semantische/vage Anfragen

Verfügbarkeit

• Open Source auf GitHub
• Unterstützt OpenAI, Azure OpenAI und lokale LLMs
• Erfordert Python 3.10+
• Docker-Image verfügbar für einfache Bereitstellung

Auswirkungen auf die Industrie

GraphRAG stellt einen Fortschritt hin zu hybriden retrieval-Systemen dar, die mehrere Paradigmen kombinieren. Erste Anwender berichten von signifikanten Verbesserungen bei der Verarbeitung komplexer Anfragen, insbesondere in Domänen mit umfangreichen Beziehungen zwischen Entitäten.

Zukünftige Entwicklungen

Microsoft Research hat angegeben, dass sich zukünftige Versionen konzentrieren werden auf :

• Automatische Inferenz von Graph-Schemata
• Echtzeit-Aktualisierungen des Graphen
• Unterstützung multimodaler Entitäten (Bilder, Tabellen)
• Aufbau föderierter Graphen über mehrere Wissensdatenbanken hinweg

Ressourcen

• GitHub: github.com/microsoft/graphrag
• Artikel: "GraphRAG 2.0: Graph-Augmented Retrieval for Complex Question Answering"
• Dokumentation: microsoft.github.io/graphrag