使用图数据库构建智能问答应用：从问题到答案的流畅体验

用户8718381347049
59 阅读2分钟

引言

在现代数据驱动的世界中，智能问答系统能够提供强大的交互方式，帮助用户从复杂的图数据库中获取答案。本指南将展示如何构建一个基于图数据库的问答应用程序，实现从自然语言问题到结构化数据查询的转换，并返回自然语言回答。

主要内容

架构概述

智能问答系统的高层架构包括以下步骤：

  1. 问题转换为图数据库查询：将用户输入转换为图数据库查询（如Cypher）。
  2. 执行图数据库查询：执行上述生成的查询。
  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，我们需要安装必要的软件包并设置环境变量。在本例中，我们使用Neo4j图数据库。

%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j

我们默认使用OpenAI模型：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 输入您的API密钥

接下来，设置Neo4j凭据：

os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

然后，创建与Neo4j数据库的连接，并用电影和演员的信息填充：

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)

图模式

要生成Cypher语句，模型需要了解图的模式。实例化图对象时，会自动检索图模式信息。可通过refresh_schema方法刷新模式信息。

graph.refresh_schema()
print(graph.schema)

创建问答链

使用LangChain库内置的GraphCypherQAChain实现问答链，以下示例展示了如何使用此链条处理查询。

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)

代码示例

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)

常见问题和解决方案

  • 关系方向验证：LLM在生成Cypher语句时可能会出现关系方向错误。可以使用validate_cypher参数来验证和纠正方向。

总结和进一步学习资源

智能问答系统在基于图数据库的数据处理场景中表现出色。为了更深入地了解，可以参考以下资源：

参考资料

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---

avatar
文章
阅读
粉丝