# 引言
随着数据的复杂性和关联性的增加，传统的关系型数据库渐渐无法满足某些查询需求。图数据库因其能够直观表示和查询复杂关系的能力而备受关注。在本文中，我们将介绍如何利用图数据库构建一个问答应用，能够通过自然语言进行复杂数据查询并返回答案。
# 主要内容
## 架构概述
在高层次上，图数据库问答系统的步骤如下：
1. 将问题转化为图数据库查询：模型将用户输入转化为图数据库查询（例如，Cypher）。
2. 执行图数据库查询：执行生成的查询。
3. 回答问题：使用查询结果生成自然语言答案。
## 环境设置
首先，我们需要安装相关的软件包，并设置环境变量。本示例使用Neo4j图数据库。
```bash
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
我们默认使用OpenAI的模型进行自然语言处理。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
# Uncomment the below to use LangSmith. Not required.
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
然后，我们需要定义Neo4j的凭证。设置数据库连接，确保仅给予必要的权限以减少安全风险。
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
接着创建与Neo4j的连接，并使用关于电影和演员的示例数据进行填充。
from langchain_community.graphs import Neo4jGraph
graph = Neo4jGraph()
movies_query = """
LOAD CSV WITH HEADERS FROM
'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv'
AS row
MERGE (m:Movie {id:row.movieId})
SET m.released = date(row.released),
m.title = row.title,
m.imdbRating = toFloat(row.imdbRating)
FOREACH (director in split(row.director, '|') |
MERGE (p:Person {name:trim(director)})
MERGE (p)-[:DIRECTED]->(m))
FOREACH (actor in split(row.actors, '|') |
MERGE (p:Person {name:trim(actor)})
MERGE (p)-[:ACTED_IN]->(m))
FOREACH (genre in split(row.genres, '|') |
MERGE (g:Genre {name:trim(genre)})
MERGE (m)-[:IN_GENRE]->(g))
"""
graph.query(movies_query) # 使用API代理服务提高访问稳定性
创建问答链
利用LangChain库，我们可以创建一个简单的问答链，将问题转换为Cypher查询并获取答案。
from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = GraphCypherQAChain.from_llm(graph=graph, llm=llm, verbose=True)
response = chain.invoke({"query": "What was the cast of the Casino?"})
print(response)
常见问题和解决方案
验证关系方向
由于LLM生成的Cypher语句可能存在方向错误，我们可以通过设置 validate_cypher=True 来验证并纠正关系方向。
chain = GraphCypherQAChain.from_llm(
graph=graph, llm=llm, verbose=True, validate_cypher=True
)
response = chain.invoke({"query": "What was the cast of the Casino?"})
print(response)
总结和进一步学习资源
通过本文的介绍，我们了解了如何使用Neo4j和LangChain构建一个简单而实用的问答系统。对于复杂的查询生成，可以探索以下资源：
参考资料
- LangChain API 文档
- Neo4j 官方文档
- OpenAI 模型使用指南
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
