Un utilisateur propose d'utiliser des rerankers pour récupérer des nœuds dans un RAG à graphe de connaissances

Un utilisateur du forum Hugging Face propose une approche Retrieval-Augmented Generation (RAG) où les documents sont stockés sous forme de nœuds dans un graphe de connaissances et récupérés via un reranker. La requête elle-même devient un nouveau nœud qui se connecte aux nœuds les plus similaires identifiés par le reranker.

• Les documents ou sections de texte sont stockés en tant que nœuds dans un graphe de connaissances.
• Un reranker récupère des documents en fonction d'une requête, offrant potentiellement une précision supérieure à celle du RAG contextuel.
• La requête devient un nouveau nœud établissant des connexions avec les nœuds les plus similaires.
• Cette méthode pallie la limitation des LLM utilisés pour l'extraction de nœuds, qui ne génèrent que des étiquettes ou mots-clés grossiers.

L'utilisateur note que les rerankers peuvent être plus précis que le RAG contextuel, tandis que l'extraction de nœuds basée sur les LLM peut produire des étiquettes trop grossières.