创建一个基于图数据库的问答应用程序：从问题到答案的无缝转换

引言

在当今的数据密集型世界中，图数据库因其强大的关系查询能力而备受青睐。将图数据库与机器学习结合，创建一个问答系统，可以让我们通过自然语言提问，从繁杂的数据中提取出有意义的答案。这篇文章将指导您如何在图数据库（如Neo4j）上构建一个问答应用程序。

主要内容

系统架构

在高层次上，实现一个基于图数据库的问答系统需要三个主要步骤：

将问题转化为图数据库查询：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：运行该查询。
回答问题：根据查询结果生成对用户的自然语言响应。

设置环境

我们将使用Neo4j图数据库，首先需要安装必要的包，并设置环境变量：

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

接着，设置API密钥和Neo4j数据库的连接信息：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 提示用户输入API密钥

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

初始数据导入

连接到Neo4j数据库，并用电影和演员的示例数据进行填充：

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)

构建问答链

我们将利用LangChain库来创建一个问答链，该链将问题转化为Cypher查询，并通过Neo4j执行查询以提供答案：

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)

上述代码中，系统生成了一个Cypher查询，提取电影《Casino》的演员列表，并返回结果。

常见问题和解决方案

关系方向验证：LLMs可能会在生成的Cypher语句中出现关系方向错误。我们可以使用validate_cypher参数来验证并矫正这些方向。

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)