使用图数据库构建问答应用程序：从零开始构建强大数据查询系统-优快云博客

本文链接：https://blog.youkuaiyun.com/aGRGWRF/article/details/144562388

引言

图数据库因其灵活性和处理复杂数据关系的能力，正成为现代数据分析中的热门选择。结合自然语言处理的进步，我们可以构建一个功能强大的问答系统，通过自然语言直接从图数据库中获取信息。本指南将帮助您从零开始构建这样一个系统。

主要内容

架构概述

构建问答系统的图数据库链的基本步骤包括：

将问题转换为图数据库查询：使用模型将用户输入转换为图数据库查询（例如，Cypher）。
执行图数据库查询：运行生成的图数据库查询。
回答问题：使用查询结果生成自然语言回答。

设置环境

首先，确保安装所需的包并设置环境变量。本文将以Neo4j图数据库为例。

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

我们将在本指南中使用OpenAI模型。

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 输入您的OpenAI API密钥

# 未必需要的LangSmith配置
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"

接下来，定义Neo4j的凭证。

os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

连接到Neo4j数据库并导入示例数据。

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)

图数据库架构

为使LLM能够生成Cypher语句，需获取有关图的模式信息。当实例化图对象时，它会自动检索这些信息。若对图进行了更改，需调用refresh_schema方法刷新模式信息。

graph.refresh_schema()
print(graph.schema)

构建问答链

使用LangChain内置的链，将自然语言问题转换为Cypher查询并返回结果。

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

查询方向验证：生成的Cypher语句可能存在关系方向错误的问题。可以通过validate_cypher参数进行验证和修正。

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)

总结与进一步学习资源

构建问答系统的图数据库应用程序是一个具有挑战性的任务，但通过本文的指南，您可以逐步掌握其基础知识。为了提升系统复杂性，建议研究以下资源：

高级提示工程技术
从问题到数据库的值映射技术
语义层实现技术
知识图谱构建技术

参考资料

LangChain 官方文档
Neo4j 官方文档

结束语：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—