如何构建一个基于图数据库的问答应用
在当今数据驱动的世界中，问答系统成为了从数据中提取信息的一种重要方式。本文将介绍如何在图数据库基础上构建一个问答应用系统。通过这种系统，我们可以自然语言提问，并从图数据库中获取相应的答案。
引言
问答系统是一种能够从结构化数据中提取信息的工具。随着图数据库的兴起，利用图数据库构建问答系统变得异常强大。本文的目的是指导读者如何构建和优化基于图数据库的问答系统。
主要内容
安全注意事项
在使用模型生成的图查询构建问答系统时，需谨慎对待安全问题。应尽可能缩小数据库连接权限范围以减少风险。更多通用的安全实践可以参考此处。
架构概览
一个基本的图数据库问答链包括以下步骤：
- 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查询）。
- 执行图数据库查询：运行生成的图数据库查询。
- 回答问题：模型利用查询结果回答用户问题。
设置环境
首先，安装所需的软件包并设置环境变量。本文将使用Neo4j图数据库。
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
我们将使用OpenAI模型：
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
设置Neo4j数据库凭证：
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
连接到Neo4j数据库
以下代码示例展示了如何连接到Neo4j数据库，并将其填充为有关电影及其演员的示例数据：
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)
定义图架构
为生成Cypher语句，LLM需要了解图架构。可以通过refresh_schema()方法刷新图架构信息。
graph.refresh_schema()
print(graph.schema)
代码示例
接下来，我们将使用一个简单的链条，将问题转换为Cypher查询，执行查询，并用结果回答原始问题。
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
验证关系方向
LLMs生成Cypher语句时，可能会误判关系方向。可以使用validate_cypher参数来验证并校正生成的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?"})
print(response)
总结和进一步学习资源
对于更复杂的查询生成，可以考虑创建多样化的提示或增加查询检查步骤。有关高级技术，请查看以下资源：
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---
