[构建基于图数据库的问答应用：从零开始的指南]

用户331287887593
91 阅读2分钟 
# 构建基于图数据库的问答应用：从零开始的指南

在这篇文章中，我们将探索如何在图数据库上创建一个问答系统。这类系统允许我们对图数据库中的数据提出问题，并获得自然语言形式的答案。

## 引言

在现代数据管理中，图数据库因其灵活性和强大的关系表示能力逐渐受到关注。通过结合大语言模型（LLM），我们可以创建强大的问答应用，动态解答用户针对图数据提出的问题。

## 主要内容

### 架构

大多数图问答链的高层步骤如下：

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语句（如Cypher）。
2. **执行图数据库查询**：执行生成的查询以获取数据。
3. **回答问题**：使用查询结果，通过模型生成自然语言答案。

### 安装和设置

我们使用Neo4j作为图数据库，并需要以下依赖：

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

接下来，设置环境变量：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

# 设置Neo4j的凭证
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

构建和填充数据库

使用Neo4jGraph类连接到Neo4j数据库，并填充示例数据：

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

# 导入电影信息
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)

接下来，刷新图结构信息：

graph.refresh_schema()
print(graph.schema)

链接LLM

使用LangChain库中的GraphCypherQAChain组件，将自然语言问题转化为Cypher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)

常见问题和解决方案

  • 关系方向验证: 大语言模型在生成Cypher语句时可能出现关系方向错误。可以通过设置validate_cypher=True来验证和纠正关系方向。

总结和进一步学习资源

通过在图数据库上构建问答系统，我们可以解锁复杂数据结构的潜力。对于更复杂的查询生成和提示策略，请参考：

  • 高级提示工程技术
  • 从问题到数据库值的映射技术
  • 实现语义层的技术
  • 知识图谱构建的技术

参考资料

  • Neo4j官方文档
  • LangChain库文档
  • OpenAI API文档

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