RAKG 的安装和配置教程

1. 项目基础介绍和主要编程语言

RAKG（Document-level Retrieval Augmented Knowledge Graph Construction）是一个利用大型语言模型自动生成知识图谱的框架。它通过句子的分片和向量化处理文档，提取初步实体，并进行实体消歧和向量化。处理后的实体通过语料库回顾检索获取相关文本，通过图结构检索获取相关知识图谱。最后，使用LLM（Large Language Model）整合检索到的信息，构建关系网络，并将新构建的知识图谱与原有知识图谱合并。

本项目主要使用 Python 3.11 作为编程语言。

2. 项目使用的关键技术和框架

• 大型语言模型：项目使用了如 Qwen、BGE-M3 等模型进行实体的识别、消歧和信息的整合。
• 知识图谱构建：通过检索和整合信息，构建包含丰富关系的知识图谱。
• 语料库检索：通过检索相关文本，增强知识图谱的构建过程。

3. 项目安装和配置的准备工作及详细步骤

准备工作

• 安装 Python 3.11
• 安装 Conda（推荐）

安装步骤

1. 克隆项目仓库

   首先，在命令行中执行以下命令，克隆项目仓库：

   git clone https://github.com/LMMApplication/RAKG.git
   cd RAKG
   

2. 创建并激活 Conda 环境

   接下来，创建一个名为 RAKG 的 Conda 环境，并激活它：

   conda create -n RAKG python=3.11
   conda activate RAKG
   

3. 安装依赖

   在激活的 Conda 环境中，使用以下命令安装项目依赖：

   pip install -r requirements.txt
   

4. 配置模型提供者

   根据需要，编辑 src/config.py 文件，配置模型提供者的设置。例如，如果你使用本地 Ollama 模型，将 base_url 设置为 http://localhost:11434/v1/。如果使用服务器端的 Ollama，将 base_url 设置为 http://your_server_ip。

   同时，根据实际情况配置主模型、相似度检查模型和嵌入模型。

5. 使用示例

   项目提供了示例脚本来演示如何处理文本输入和文档输入。可以参考 examples 目录中的 RAKG_example.py 文件，了解如何使用。

   • 文本输入

     cd examples
     python RAKG_example.py --input "your input text" --output result/kg.json --topic "your_topic" --is-text
     

   • 文档输入

     python RAKG_example.py --input data/MINE.json --output result/kg.json
     

按照以上步骤，即可完成 RAKG 的安装和配置。在配置过程中，请确保所有步骤都按照要求执行，以确保项目的正常运行。