# 在图数据库上构建问题解答应用程序
随着数据量的增长和信息复杂性的增加，如何快速从复杂的数据中获取有意义的信息成为一个重要挑战。本文将带您深入了解如何在图数据库上构建一个强大的问题解答(Q&A)应用，帮助您从数据中快速获取答案。
## 引言
问题解答系统作为人工智能应用中的重要组成部分，已被广泛应用于各种领域。通过将这些系统与图数据库结合，能够高效地从数据图中提取信息，以自然语言的方式回应用户的问题。本篇文章的目的是指导读者在Neo4j图数据库上构建一个基本的Q&A系统。
## 主要内容
### 架构
在图数据库上建立Q&A应用系统的高层步骤包括：
1. **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）。
2. **执行图数据库查询**：执行生成的图数据库查询。
3. **回答问题**：使用查询结果通过模型生成自然语言的回答。
### 设置
首先，我们需要获取所需的包并设置环境变量。在本文中，我们使用Neo4j图数据库：
```bash
%pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
接下来，我们需要设置Neo4j的凭证：
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"
下面的例子展示了如何与Neo4j数据库创建连接并填充一些关于电影和演员的示例数据：
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) # 使用API代理服务提高访问稳定性
链
使用LangChain框架，我们可以简单地创建一个链，将问题转换为Cypher查询，执行查询，并使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
在生成的Cypher语句中，语言模型有时可能会在关系方向上出现错误。可以通过设置validate_cypher参数来验证并校正关系方向：
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
通过本文的介绍，您已掌握如何在图数据库上构建一个基本的Q&A系统。若想探索更复杂的查询生成技术，您可以查看以下资源：
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---
