构建基于图数据库的强大问答系统：从入门到精通环境变量配置导入数据到Neo4j 通过以下代码，我们将建立与Neo4j数据

# 引言

在现代数据驱动的环境中，问答系统的需求日益增加。使用图数据库构建问答系统可以高效地处理复杂的关系型数据，提供自然语言响应。然而，这种系统的构建过程充满了挑战，尤其是涉及到模型生成的图数据库查询时，需要特别注意安全性。在本文中，我们将介绍如何使用Neo4j图数据库和OpenAI模型构建问答系统，为您提供实用知识和代码示例。

# 主要内容

## 架构

在高层次上，一个图问答系统主要包括以下步骤：
1. 将问题转换为图数据库查询（如Cypher）。
2. 执行图数据库查询。
3. 使用查询结果回应用户问题。

## 设置

首先，我们需要安装必要的库，并设置环境变量。在本指南中，我们使用的是Neo4j图数据库。

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

环境变量配置

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 设置OpenAI API密钥

# Neo4j数据库凭证配置
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

导入数据到Neo4j

通过以下代码，我们将建立与Neo4j数据库的连接并导入关于电影和演员的示例数据。

from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

# 导入电影信息
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)

图架构

为了生成Cypher语句，模型需要知道图的架构。当您实例化图对象时，它会自动检索图架构信息。如果稍后对图进行任何更改，您可以使用refresh_schema方法刷新架构信息。

graph.refresh_schema()
print(graph.schema)

代码示例

我们将使用LangChain中的GraphCypherQAChain来构建简单的问答链。

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

关系方向验证：LLMs在生成Cypher语句时容易出错。您可以使用validate_cypher参数来验证并自动纠正关系方向。

chain = GraphCypherQAChain.from_llm(
    graph=graph, llm=llm, verbose=True, validate_cypher=True
)
response = chain.invoke({"query": "What was the cast of the Casino?"})
print(response)

总结和进一步学习资源

通过本文的指导，您已经了解了如何使用Neo4j和OpenAI构建基本的图数据库问答系统。未来，您可以探索更复杂的查询生成、提示策略、语义层实现以及知识图构建技术。

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---