如何在图数据库上构建一个问答应用程序
在这篇文章中，我们将介绍如何在图数据库上创建一个问答链。这种系统允许我们就图数据库中的数据提出问题，并获得自然语言的答案。本指南主要使用Neo4j作为示例。请注意，由于某些地区的网络限制，开发者可能需要考虑使用API代理服务来提高访问稳定性。
引言
问答系统在现代应用中扮演了一个重要角色，尤其是在需要从复杂数据集中快速提取信息时。运用图数据库与自然语言处理（NLP）技术结合，能够实现智能且高效的问答系统。本篇文章旨在帮助读者理解如何利用图数据库（例如Neo4j）和自然语言处理模型构建一个问答应用程序。
主要内容
架构概览
大多数图数据库问答系统需要以下几个步骤：
- 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（如Cypher）。
- 执行图数据库查询：执行该查询。
- 回答问题：使用查询结果生成用户问题的答案。
环境设置
首先，我们需要安装所需的Python包并设置环境变量。在本指南中，我们使用Neo4j图数据库。
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
接下来，设置OpenAI API密钥。
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
设置Neo4j的凭证信息。建议按照Neo4j安装步骤设置数据库。
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
图数据库的准备
连接到Neo4j数据库并使用示例数据填充数据库：
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)
图模式
在生成Cypher语句之前，需要了解图的模式。可以通过刷新模式信息获取最新的图结构。
graph.refresh_schema()
print(graph.schema)
代码示例
创建一个简单的问答链，接收问题，生成Cypher查询，执行查询并回答问题。
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['result'])
常见问题和解决方案
验证关系方向
由于LLM可能在生成的Cypher语句中处理关系方向时出现问题，因此可以使用validate_cypher参数验证并纠正关系方向。
chain = GraphCypherQAChain.from_llm(
graph=graph, llm=llm, verbose=True, validate_cypher=True
)
response = chain.invoke({"query": "What was the cast of the Casino?"})
总结和进一步学习资源
本指南介绍了如何使用Neo4j和OpenAI构建一个问答应用程序。对于更复杂的查询生成，可以使用一些高级技巧，如提示工程、值映射和语义层实现。推荐阅读以下资源：
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---
