创建图数据库问答应用：利用Neo4j与LangChain实现智能问答系统

用户026700199494
188 阅读2分钟

引言

图数据库因其直观的关系表示和强大的查询能力在现代数据处理中扮演着重要角色。本文将深入探讨如何构建一个问答应用，该应用可以在图数据库上执行自然语言问答。在这个过程中，我们将使用Neo4j图数据库和LangChain实现此功能。此类系统可以帮助我们用自然语言执行对图数据库的查询，并得到解答。

主要内容

架构概述

构建一个图数据库问答应用通常包括以下步骤：

  1. 将自然语言问题转换为图数据库查询（例如Cypher）。
  2. 执行图数据库查询。
  3. 使用查询结果回答用户问题。

设置环境

首先，我们需要安装必要的软件包并设置环境变量。本示例使用的是Neo4j图数据库。

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

我们默认使用OpenAI的模型。

import getpass
import os

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

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

接下来，我们将连接到Neo4j数据库，并填充一些关于电影及其演员的示例数据。

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)

图的模式

为了让大型语言模型生成Cypher语句，它需要知道图的模式信息。我们可以使用refresh_schema方法刷新模式信息。

graph.refresh_schema()
print(graph.schema)

构建问答链

我们使用LangChain提供的GraphCypherQAChain来构建问答系统，该系统将问题转化为Cypher查询，并利用结果回答问题。

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

  • 关系方向的验证：大型语言模型在生成Cypher语句时可能会出现关系方向错误。我们可以通过validate_cypher参数来验证和校正关系方向。
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

为了拓展更复杂的查询生成功能，您可以考虑使用以下高级技术：

  • Prompting策略：高级提示工程技术。
  • 值映射：从问题到数据库的值映射技术。
  • 语义层：实现语义层的技术。
  • 图构建：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