Developing a Retrieval-Augmented Generation (RAG) Chatbot Enhanced by Knowledge Graphs

Abstract

In todays rapidly evolving digital landscape, businesses are increasingly integrating large language models (LLMs) with chatbots to enhance customer interactions. While LLMs excel in understanding human-like language, they often struggle with accessing and providing real-time information accurately. To overcome these challenges, our project focuses on developing a cutting-edge chatbot utilizing Retrieval-Augmented Generation (RAG) and knowledge graphs. By leveraging RAG to dynamically retrieve information and employing knowledge graphs as structured data repositories. Our approach incorporates sophisticated techniques such as Semantic Chunking for efficient information retrieval, Query Reformulation for accurate capture of user intent, Complex Query Handling for generating optimal relevant responses, and Semantic Routing for precise answers. Evaluation results demonstrate significant improvements in response quality and user satisfaction, positioning our RAG-based chatbot as an intelligent and user-friendly virtual assistant. This report provides detailed insights into the design, implementation, and evaluation of our chatbot, showcasing its potential across various domains. ***

Dans un monde numérique en constante évolution, les entreprises intègrent de plus en plus des modèles de langage avancés (LLMs) avec des chatbots pour améliorer les interactions avec les clients. Bien que les LLMs excellent dans la compréhension du langage humain, ils rencontrent souvent des difficultés pour accéder et fournir des informations en temps réel de manière précise. Pour relever ces défis, notre projet se concentre sur le développement d’un chatbot innovant utilisant la Génération Augmentée par Récupération (RAG) et les graphes de connaissances. En exploitant la RAG pour récupérer dynamiquement des informations et en utilisant les graphes de connaissances comme des bases de données structurées. Notre approche intègre des techniques avancées telles que le Fragmentation Sémantique pour une récupération efficace d’informations, la Reformulation de Requête pour une capture précise de l’intention de l’utilisateur, la Gestion de Requêtes Complexes pour générer des réponses pertinentes et optimales, et le Routage Sémantique pour des réponses précises. Les résultats de l’évaluation démontrent des améliorations significatives de la qualité des réponses et de la satisfaction des utilisateurs, positionnant notre chatbot basé sur la RAG comme un assistant virtuel intelligent et convivial. Ce rapport offre des insights détaillés sur la conception, la mise en uvre et l’évaluation de notre chatbot, mettant en lumière son potentiel dans divers domaines.