RAG 기반 상품 지식 질의응답 시스템
요약
MinerU를 활용한 문서 파싱부터 Milvus 벡터 DB와 Neo4j 지식 그래프를 결합한 하이브리드 RAG 시스템 구축 과정을 설명합니다. 텍스트 청킹과 엔티티 관계 추출을 통해 정교한 상품 지식 질의응답 환경을 구현합니다.
핵심 포인트
- MinerU를 이용한 효율적인 문서 파싱
- BGE-M3 기반의 하이브리드 벡터 생성 및 Milvus 저장
- LLM을 활용한 엔티티 관계 추출 및 Neo4j 지식 그래프 구축
- 벡터 검색과 지식 그래프를 결합한 고도화된 RAG 구조
RAG (Retrieval-Augmented Generation) 기반 상품 지식 질의응답 시스템
PDF 또는 Markdown 문서를 가져온 후, 먼저 MinerU를 사용하여 텍스트로 파싱(Parsing)합니다. 그 다음 청킹(Chunking)을 거쳐 BGE-M3로 하이브리드 벡터(Hybrid Vector)를 생성하여 Milvus에 저장하며, 동시에 LLM (Large Language Model)이 엔티티 관계(Entity Relationship)를 추출하여 Neo4j 지식 그래프(Knowledge Graph)에 기록합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 X @qingq77 (검증됨)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기0