[用图数据库构建智能问答应用：从零到一的完整指南]

用户838128610330
151 阅读3分钟 
# 用图数据库构建智能问答应用：从零到一的完整指南

在这篇文章中，我们将探讨如何在图数据库上构建一个问答系统。这些系统允许我们针对图数据库中的数据提出问题，并返回自然语言答案。

⚠️**安全提示**⚠️  
构建基于图数据库的问答系统需要执行模型生成的图查询，这存在一定风险。确保您的数据库连接权限范围尽可能局限于链/代理的需求。尽管这样做可以减轻风险，但不能完全消除风险。有关一般安全最佳实践，请参考其他资源。

## 架构

大多数图链的高层步骤包括：
1. 将问题转换为图数据库查询：模型将用户输入转换为图数据库查询（例如，Cypher）。
2. 执行图数据库查询。
3. 回答问题：模型通过查询结果回应用户输入。

## 设置

首先，获取所需的包并设置环境变量。在本示例中，我们将使用Neo4j图数据库。

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

在本指南中，我们默认使用OpenAI模型。

import getpass
import os

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

# 使用LangSmith可选
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"

接下来，需要定义Neo4j凭据。按照这些安装步骤设置Neo4j数据库。

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

以下示例将创建与Neo4j数据库的连接，并使用关于电影及其演员的示例数据填充数据库。

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)

图模式

为了让LLM能够生成Cypher语句，它需要图模式的信息。当您实例化图对象时，它会检索图模式信息。如果以后对图进行任何更改，可以运行refresh_schema方法来刷新模式信息。

graph.refresh_schema()
print(graph.schema)

节点属性如下：

  • Movie {imdbRating: FLOAT, id: STRING, released: DATE, title: STRING}
  • Person {name: STRING}
  • Genre {name: STRING}
  • Chunk {id: STRING, question: STRING, query: STRING, text: STRING, embedding: LIST}

关系属性如下：

  • (:Movie)-[:IN_GENRE]->(:Genre)
  • (:Person)-[:DIRECTED]->(:Movie)
  • (:Person)-[:ACTED_IN]->(:Movie)

构建链

使用一个简单的链条，接收问题，转换为Cypher查询，执行查询并使用结果回答原始问题。LangChain附带了适用于Neo4j的内置链：GraphCypherQAChain

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?"})
response

验证关系方向

LLM在生成Cypher语句时可能会遇到关系方向的问题。由于图的模式是预定义的，我们可以通过使用validate_cypher参数来验证并选择性地修正生成的Cypher语句中的关系方向。

chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, verbose=True, validate_cypher=True
)
response = chain.invoke({"query": "What was the cast of the Casino?"})
response

常见问题和解决方案

  1. 无法连接到数据库：检查Neo4j服务器是否正常运行并且凭据正确。
  2. 查询结果不正确：确保图模式的信息是最新的，必要时刷新模式。

总结和进一步学习资源

构建图数据库上的问答系统是一项复杂但有趣的挑战。进一步学习可以参考：

  • 提问策略：高级提示工程技术。
  • 映射值：从问题到数据库值的映射技术。
  • 语义层：实现语义层的技术。
  • 构建图：构建知识图谱的技术。

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