https://github.com/SuperMedIntel/Medical-Graph-RAG
这里的文章，简单看了一下：
是针对医疗数据做的GraphRAG。核心目的是为了提高生成内容的准确性，即不能让大模型胡说。
为了做到这一点，MedGraphRAG在graphrag上做了两点改进：
* 在实体提取的时候，会把实体和可信医疗源，以及受控词汇表连接起来
* 针对医疗标签做总结，而非使用通用的社区总结
具体来说：
会有一些置信程度比较高的资料，在RAG的时候，会把实体和这些置信程度比较高的资料链接到一起。
这里有点类似LightRAG，允许插入用户自定义的知识图谱，来强化知识的置信程度以及质量
然后在做社区总结的时候，不用leiden去做发现社区+总结，而是使用层次聚类，并且用预定义好的医疗标签集合去总结社区。
相比之下，就是用一些特化的知识替换通用的社区总结，因为医疗标签也属于社区总结的一种。
在查询的时候会做类似dynamic community search的方法。从顶层标签开始，逐渐搜索下层社区。
看了下代码有点对不太上。我这里解释一下代码的逻辑：
构图：
* create_metagraph，这里就是上面说的实体提取，存储到一个图中。不同的文件有不同的graph id
* 会根据这个格式做文档的总结，存储到summary中
查询：
* 查询的时候，会遍历所有的summary，用LLM判断是否和用户query相关。
* 找到最相关的那个图，做local search
* 然后再在相关的图中，做ref search，即去查找上面说的预提供好的医疗知识库
文章评论