Rehber bağlantılı sınav · Orta Seviye

GraphRAG Bilgi Grafikleri Sınavı

GraphRAG varlık çıkarma, grafik toplulukları, yerel ve küresel sorgular, kaynak doğrulama ve topluluk raporlarının arkasındaki dizin oluşturma çalışmasını test edin.

İlgili kılavuz yollarıGrafik Bilgi Grafikleri
Soru 1 arasında 8

GraphRAG, onu standart RAG'dan ayıran hangi çekirdek yapıyı oluşturur?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. GraphRAG, onu standart RAG'dan ayıran hangi çekirdek yapıyı oluşturur?
    • Kullanıcıların ilişkisel bir SQL şeması
    • Piksellerden oluşan bir sinir ağı
    • Varlıkların ve bunların ilişkilerinin bilgi grafiği
    • Engellenecek kelimelerin listesi
  2. What query scope motivated community reports in Microsoft's 2024 GraphRAG work?
    • Only changing a sentence's spelling
    • Collection-wide themes and summaries whose evidence spans many documents
    • Only measuring a video file's frame rate
    • A guarantee that all narrow lookups must use graph traversal
  3. GraphRAG, ilgili varlıkları topluluklar halinde kümelemek için yaygın olarak hangi algoritmayı kullanır?
    • Kabarcık sıralaması
    • Gradyan iniş
    • RSA şifrelemesi
    • Leiden topluluğu tespiti
  4. What does GraphRAG's model-based extraction stage produce from source chunks?
    • Structured entity and relationship records with descriptions
    • Only an executable operating-system image
    • Only random names unrelated to the source
    • Only audio waveforms with no text records
  5. How do documented GraphRAG local and global query strategies use context differently?
    • Local means Wi-Fi and global means satellite connectivity
    • Local search uses entity-related and source context; global search aggregates community reports
    • Local works only with images while global excludes all documents
    • Both strategies discard extracted information before generation
  6. GraphRAG yaklaşımını 2024'te hangi kuruluş popüler hale getirdi?
    • 1970'lerde bir telefon şirketi
    • Bir fast food zinciri
    • Microsoft Araştırma
    • Bir havayolu ittifakı
  7. Why should an important GraphRAG relationship be checked against its source documents?
    • The extraction model can make errors, and a graph edge does not independently establish the relationship's truth
    • Every extracted edge is automatically a verified fact
    • Graph storage replaces the need for source evidence
    • Community detection proves the original documents cannot be wrong
  8. What additional upfront work can GraphRAG indexing require compared with simply preparing text chunks?
    • No model calls or derived records of any kind
    • Automatic retraining of every user's language model
    • Publishing every source document to social media
    • Model-based entity and relationship extraction and generation of community reports