RAKG 的项目扩展与二次开发

项目的基础介绍

RAKG（ Retrieval Augmented Knowledge Graph）是一个基于大型语言模型的知识图谱构建框架，旨在实现自动化知识图谱生成。该框架通过文档的句子切分和向量化处理，提取初步实体，并执行实体消歧和向量化。随后，通过语料库回顾检索获取相关文本，以及图结构检索获取相关知识图谱。最后，使用大型语言模型整合检索到的信息，构建实体关系网络，并与原始知识图谱结合，生成新的知识图谱。

项目的核心功能

• 自动化知识图谱构建：通过处理文档，提取实体，并构建实体之间的关系。
• 实体消歧：使用大型语言模型进行实体消歧，确保实体识别的准确性。
• 信息检索与融合：通过检索相关文本和知识图谱，使用模型融合信息，构建更完整的知识图谱。

项目使用了哪些框架或库？

• Python：项目使用 Python 3.11 作为主要开发语言。
• Conda：推荐使用 Conda 管理项目环境。
• 大型语言模型：如 Qwen2.5-72B、Qwen2-7B 和 BGE-M3 等，用于实体消歧和信息融合。
• 其他依赖库：如 TensorFlow、PyTorch、Numpy 等，具体依赖库在 requirements.txt 文件中列出。

项目的代码目录及介绍

RAKG/
├── data/                   # 存储数据文件
├── examples/               # 示例代码
├── image/                  # 存储图片文件
├── src/                    # 源代码目录
│   ├── config.py           # 配置文件
│   ├── RAKG.py             # 主程序文件
│   └── ...                 # 其他模块和文件
├── .gitignore              # git忽略文件
├── LICENSE                 # 项目许可证
├── README.md               # 项目说明文件
└── requirements.txt        # 项目依赖文件

对项目进行扩展或者二次开发的方向

1. 增加实体类型：目前框架支持的实体类型可能有限，可以增加新的实体类型，以扩展知识图谱的覆盖范围。
2. 优化实体消歧算法：通过改进或引入新的实体消歧算法，提高实体识别的准确性。
3. 扩展信息检索功能：增加新的信息检索策略或算法，以获取更多相关文本和知识图谱信息。
4. 多语言支持：目前框架主要支持中文，可以增加对其他语言的支持，使框架具有更广泛的应用场景。
5. 用户界面开发：开发一个用户友好的界面，以便用户能够更方便地使用该框架构建知识图谱。