KG-RAG 表示基于知识图谱的RAG(Retrieval Augmented Generation)检索增强.
先看一下KG-RAG的视频这是一个与任务无关的框架，它将知识图谱（KG）的显性知识与大型语言模型（LLM）的隐含知识结合起来。这是该工作的arXiv预印本 https://arxiv.org/abs/2311.17330 。 我们在这里利用一个名为SPOKE(https://spoke.ucsf.edu/)的大规模生物医学知识图谱作为生物医学背景的提供者。SPOKE已经整合了来自不同领域的40多个生物医学知识库，每个知识库都专注于生物医学概念，如基因、蛋白质、药物、化合物、疾病及其相关连接。 SPOKE由21种不同类型的超过2700万个节点和55种类型的5300万条边组成（https://doi.org/10.1093/bioinformatics/btad080）。 KG-RAG的主要特点是从SPOKE KG中提取“提示感知上下文”，其定义为：足以回答用户提示的最小上下文。 
因此，这个框架通过从生物医学KG中获得的优化领域特定的“提示感知上下文”，赋予了一个通用型的LLM更强大的功能。 KG-RAG用户案例下面的片段显示了FDA网站上关于由FDA(https://www.fda.gov/drugs/news-events-human-drugs/fda-approves-treatment-weight-management-patients-bardet-biedl-syndrome-aged-6-or-older)批准用于巴代特-畢迪二氏综合征患者的减重药物“setmelanotide”的信息。
询问 GPT-4 关于上述药物： 没有KG-RAG 注意：此示例是使用KG-RAG v0.3.0运行的。我们是通过终端来启动GPT，而不是通过chatGPT浏览器。分析中的温度参数设置为0。参考此yaml文件进行参数设置，包括KG-RAG。 有KG-RAG 注意：此示例是使用KG-RAG v0.3.0运行的。分析过程中，温度参数设置为0。有关参数设置，请参阅此yaml文件。 如何运行KG-RAG注意：目前，KG-RAG专门为与疾病相关的提示运行而设计。我们正在积极努力改进其多功能性。Step 1: 克隆repo克隆此存储库。所有论文中使用的生物医学数据已上传到此存储库，因此您无需单独下载。Step 2: 创建一个虚拟环境注意：本存储库中的脚本是在Python 3.10.9版本下运行的。conda create -n kg_rag python=3.10.9
conda activate kg_rag
cd KG_RAG
Step 3: 安装依赖项pip install -r requirements.txt
Step 4: 更新config.yaml config.yaml保存了运行您机器上的脚本所需的所有必要信息。请确保相应地填充此yaml文件。注意：还有另一个名为system_prompts.yaml的yaml文件。它已经填充好，并保存了KG-RAG框架中使用的所有系统提示。 Step 5: 运行设置脚本注意：确保您位于KG_RAG文件夹中
设置脚本以交互方式运行。 运行设置脚本将： 1.为KG-RAG创建疾病向量数据库 2.在您的机器上下载Llama模型（可选，您可以跳过此步骤，完全没有问题） python-mkg_rag.run_setup Step 6: 从重点运行KG-RAG注意：确保你处于KG_RAG文件夹中你可以使用GPT和Llama模型来运行KG-RAG。 用GPTpython-mkg_rag.rag_based_generation.GPT.text_generation-g<yourfavoritegptmodel-"gpt-4"or"gpt-35-turbo"> 示例：注意：以下示例在AWS p3.8xlarge EC2实例上运行，并使用KG-RAG v0.3.0。 用GPT的交互模式
这使用户可以以交互式方式逐步完成整个过程。python-mkg_rag.rag_based_generation.GPT.text_generation-iTrue-g<yourfavoritegptmodel-"gpt-4"or"gpt-35-turbo"> 用Llama注意：如果您在安装设置步骤时没有下载Llama，那么当您运行下面的命令时，可能需要一些时间，因为它首先会下载模型。python-mkg_rag.rag_based_generation.Llama.text_generation-m<method-1ormethod2,ifnothingismentioneditwilltake'method-1'> 示例 注意：以下示例是在AWS p3.8xlarge EC2实例上运行，并使用KG-RAG v0.3.0。 用Llama交互模式
这样做可以让用户以互动方式逐步完成整个过程。python -m kg_rag.rag_based_generation.Llama.text_generation -i True -m <method-1 or method2, if nothing is mentioned it will take 'method-1'>
引用@article{soman2023biomedical,
title={Biomedical knowledge graph-enhanced prompt generation for large language models},
author={Soman, Karthik and Rose, Peter W and Morris, John H and Akbas, Rabia E and Smith, Brett and Peetoom, Braian and Villouta-Reyes, Catalina and Cerono, Gabriel and Shi, Yongmei and Rizk-Jackson, Angela and others},
journal={arXiv preprint arXiv:2311.17330},
year={2023}
}
SPOKE KG可以通过以下链接访问： https://spoke.rbvi.ucsf.edu/neighborhood.html。也可以使用REST-API访问 （https://spoke.rbvi.ucsf.edu/swagger/）。 KG-RAG代码可在 https://github.com/BaranziniLab/KG_RAG 下载。本研究中使用的生物医学数据集（一跳问题、两跳问题、真假问题、多选题问题、药物重新定位问题、SPOKE KG中的疾病上下文）可供研究界使用，位于同一GitHub存储库中。
| 
