引言
在信息丰富的现代社会，如何从海量数据中提取有用信息是一个亟需解决的问题。基于图数据库的问答系统为这一问题提供了一个创新的解决方案。本文旨在介绍如何构建一个能够在图数据库上进行自然语言问答的应用程序。
主要内容
架构
构建基于图数据库的问答系统主要包括以下步骤：
- 将问题转换为图数据库查询：利用模型将用户输入转换为图数据库查询（例如，Cypher）。
- 执行图数据库查询：执行生成的查询。
- 回答问题：利用查询结果生成自然语言回答。
安装与设置
首先，我们需要安装所需的包并设置环境变量。本例中使用的是Neo4j图数据库。
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
然后，设置OpenAI API和Neo4j的连接信息。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass() # 输入你的OpenAI API密钥
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password" # 设置你的Neo4j密码
导入数据
使用以下代码连接Neo4j数据库并导入电影及其演员信息。
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
为了生成Cypher语句，LLM需要了解图的模式信息。
graph.refresh_schema()
print(graph.schema)
构建问答链
使用LangChain提供的GraphCypherQAChain来处理问答工作流。
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
LLM生成的Cypher语句可能在关系方向上出错。可以使用validate_cypher参数来验证并纠正方向。
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
我们介绍了如何使用LangChain和Neo4j构建一个简单的问答系统。对于更复杂的需求，可以研究以下资源：
- 高级提示工程技术（Prompting strategies）
- 从问题映射值到数据库的技术（Mapping values）
- 语义层实现技术（Semantic layer）
- 知识图谱构建技术（Constructing graphs）
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---
