GraphRAG (BG)

GraphRAG — това е усъвършенствана парадигма Retrieval-Augmented Generation (RAG), при която вместо традиционното търсене по разпръснати текстови фрагменти (чанкове) се използва граф на знанията (Knowledge Graph, KG). Графовата структура явно представя връзките между обектите и йерархията на домейновите понятия, което позволява на LLM да извършва многостъпково логическо извличане на знания и да формира по-контекстно-осъзнати и обясними отговори.

Подходът GraphRAG демонстрира значително предимство пред класическия RAG при работа със сложни, многостъпкови (multi‑hop) заявки, при които отговорът зависи от комбинация от няколко факта, разпръснати из различни документи.

Ограничения на класическия RAG и предимства на графа

Класическият RAG, основан на векторно търсене по неструктуриран текст, се сблъсква с редица фундаментални ограничения, които стават критични в сложни корпоративни сценарии:

• Липса на структурни връзки: Традиционният RAG обработва текстовите чанкове като изолирани единици и не вижда явните връзки между тях. Това го прави неефективен за multi‑hop заявки, при които за отговор е необходимо да се премине по верига от факти (A→B→C), а търсенето намира само началното и крайното звено (A и C), пропускайки междинните.
• Семантична неяснота: В тясно специализирани области (медицина, юриспруденция, инженерство) термините имат специфични значения. Векторното търсене, улавяйки общата тема, може да интерпретира погрешно ролята на конкретен обект, което води до извличане на нерелевантен контекст.
• Ограничена обяснимост: Класическият RAG предоставя фрагменти от документи, но не явни доказателства за това как тези фрагменти се свързват в логическа верига. GraphRAG, напротив, прави този процес прозрачен, предоставяйки като доказателство пътя в графа и изисквайки обвързване на твърденията с източници (цитиране).

GraphRAG решава тези проблеми, представяйки знанията като мрежа от свързани обекти и отношения, което позволява на системата не просто да намира подобен текст, а да извършва логически извод на база формализиран модел на предметната област.

Архитектура на GraphRAG

Общият конвейер на GraphRAG разширява класическия RAG, добавяйки етапи за изграждане и използване на граф на знанията. Той се разделя на два основни етапа: офлайн-подготовка и онлайн-обработка на заявката.

Етап 1: Инжест и индексиране (офлайн)

На този етап изходните данни (документи, бази данни) се преобразуват в две взаимодопълващи се представяния: графово и векторно.

1. Извличане на знания: От текстовете се извличат структурирани факти чрез NLP‑конвейер:
   • Named Entity Recognition (NER): Намиране на споменавания на обекти (хора, организации, продукти).
   • Entity Linking (EL): Свързване на споменаванията с канонични идентификатори в графа за премахване на неяснотата (например, „Иванов И.И." и „И. Иванов" стават един възел).
   • Relation Extraction (RE): Идентифициране на отношения между обекти (например, Компания X −придоби→ Стартъп Y).
2. Моделиране и съхранение на графа: Извлечените тройки (субект‑предикат‑обект) се зареждат в графова база данни. Изборът на модел (Property Graph или RDF) зависи от задачата. Критично важно е да се съхранява произходът (provenance) на всеки факт — препратка към изходния документ и текстовия фрагмент. Към графа могат да бъдат добавени и метаданни за времето (valid_from/valid_to) и достоверността (confidence).
3. Хибридно индексиране: Паралелно с графа се създава векторен индекс за изходните текстови фрагменти. Това позволява съчетаване на структурното търсене по графа със семантичното търсене по текст.

Етап 2: Обработка на заявката и генериране на отговор (онлайн)

1. Разбор на заявката: Потребителската заявка се анализира за извличане на ключови обекти, които служат като „входни точки" в графа.
2. Извличане на подграф: Вместо търсене на отделни чанкове, GraphRAG намира релевантен подграф — свързан фрагмент от графа около „входните точки", съдържащ информацията за отговора. За целта се използват алгоритми като k‑hop обхождане или Personalized PageRank (PPR).
3. Хибридно търсене и сливане на резултатите: Паралелно с извличането на подграфа се извършва търсене по векторния и/или лексикалния (BM25) индекс. Резултатите от графа и текста се обединяват и се предават на следващия етап.
4. Преранжиране (Re‑ranking): Обединеният списък с кандидати (възли на графа и текстови чанкове) се преранжира с помощта на по-точен модел (например, кросс-енкодер) за подбор на най-релевантната информация. Това позволява филтриране на шума и повишаване на точността.
5. Опаковане на контекста и генериране: Подбраният и преранжиран контекст (подграф и текстове) се преобразува в разбираем за LLM формат (например, списък от твърдения с посочване на източници). Този обогатен контекст се подава в prompt за генериране на финалния отговор.
6. Трасиране и цитиране: Благодарение на връзката „факт ↔ източник" в графа, генерираният отговор съдържа точни препратки към документите, потвърждаващи всяко твърдение. Това осигурява висока обоснованост и прозрачност.

Сравнителна таблица на компонентите

Сравнителен анализ на ключовите компоненти на архитектурата на GraphRAG

Компонент/аспект	Варианти на реализация	Плюсове	Минуси/рискове	Кога е за предпочитане
Модел на граф на знанията	RDF/OWL	Строга онтология, логически изводи (reasoning), съвместимост с Linked Open Data.	Трудно се съхраняват атрибути на отношения (време, източник) без допълнителни обекти (reification).	Семантично богати домейни със съществуващи онтологии; изисква се дедукция.
Property Graph (Neo4j, etc.)	Гъвкавост, произволни свойства на възли/ребра, висока производителност.	Изисква ясна схема ръчно или риск от „безпорядък\"; няма единен стандарт.	Бърз старт с неструктурирани данни; интеграция с документи (multi‑model DB).
Извличане на подграф	k‑hop BFS / DFS	Покрива всички възли до дълбочина k, прост за реализация.	„Взрив" на графа: лавинен ръст на броя възли; може да върне много шум.	Малки графове или обхождане на дълбочина 1–2; йерархични структури.
Personalized PageRank (PPR)	Фокусира се върху действително свързаните възли, шумът се отсява.	Може да пропусне отдалечен, но важен възел (ако пътищата са малко, но той е критичен).	Сложни мрежи с множество пътища (социален граф, граф на цитирания).
Хибридно търсене	Комбиниран списък (scalar fusion с тегло λ)	Настройката на теглата λ позволява баланс на precision/recall според задачата.	Фиксираното λ не е оптимално за всички типове заявки.	На етапа на прототипиране; когато е известно, че един източник е заведомо по-важен.
Cross‑encoder rerank	Съществен ръст на точността; възможност за отчитане на сложни взаимовръзки.	Увеличава латентността; изисква данни за обучение или използване на готови модели.	High‑precision сценарии (юриспруденция, медицина), където е важен максимално релевантният контекст.
Сигурност на данните	Филтриране на подграф (RBAC/ABAC)	Гранулярен контрол (до ниво на възел) изключва изтичания.	„Слепи зони": ако важен възел е отрязан, отговорът може да стане непълен.	В корпоративни среди със строги изисквания за достъп (PII, GDPR, търговски тайни).

Трасиране, доверие и сигурност

Едно от главните предимства на GraphRAG е възможността да се представят прозрачни вериги от доказателства. Вместо отговор от „черна кутия", системата може да покаже пътя на разсъждението: „Факт A е споменат в [doc1]. Той е свързан с факт B [doc2], а B според [doc3] води до C" — което повишава доверието на потребителя и опростява отстраняването на грешки.

Освен това графовата структура позволява реализиране на гранулярно управление на достъпа (RBAC/ABAC). Всеки възел или ребро в графа може да има етикет за достъп. При извличане на подграфа системата автоматично филтрира данните, до които потребителят няма права, осигурявайки сигурност в чувствителни области (финанси, HR, медицина).

Оценка на качеството

Оценката на GraphRAG‑системата е многоетапна и включва метрики за всеки компонент:

• Метрики за извличане на знания: F1‑score за NER и RE, за оценка на качеството на изграждане на графа.
• Метрики за извличане на подграф: Subgraph Recall@K (дялът от случаите, при които необходимите за отговора възли/ребра са попаднали в извлечения подграф) и Path Precision/Recall за multi‑hop въпроси.
• Метрики за отговора на LLM:
  • Faithfulness / Groundedness: доколко отговорът се опира строго на предоставения контекст.
  • Human evaluation: оценка от експерти по критерии за правилност, пълнота и свързаност.

За автоматизация на оценката се използват специализирани benchmark-ове (например, WebQuestionsSP, GrailQA) и фреймуърки (например, RAGAS).

Вижте също

• Retrieval‑Augmented Generation (RAG)
• Граф на знанията
• Векторна база данни
• Embedding
• AI-агент
• Оценка и benchmark-ове на LLM

Литература

• Zhang, Q. et al. (2025). A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models. arXiv:2501.13958.
• Xu, Z. et al. (2024). Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering. arXiv:2404.17723.
• Hu, Y. et al. (2024). GRAG: Graph Retrieval‑Augmented Generation. arXiv:2405.16506.
• Nakano, R. et al. (2021). WebGPT: Browser‑assisted Question‑Answering with Human Feedback. arXiv:2112.09332.
• Yang, R. et al. (2025). KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning. arXiv:2503.14234.
• Song, Y. et al. (2023). Advancements in Complex Knowledge Graph Question Answering: A Survey. DOI:10.3390/electronics12214395.
• Nogueira, R.; Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
• Hsu, H.‑L.; Tzeng, J. (2025). DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation. arXiv:2503.23013.
• Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. arXiv:2005.11401.
• Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain Question Answering. arXiv:2004.04906.
• Sun, H. et al. (2018). Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net). arXiv:1809.00782.
• Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text. arXiv:1904.09537.
• He, X. et al. (2024). G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering. arXiv:2402.07630.
• Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). RAGAs: Automated Evaluation of Retrieval Augmented Generation. ACL:2024.eacl-demo.16.