打造基于图数据库的问答应用：从入门到实践_图数据库适合构建问答型知识吗-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/144401377

# 打造基于图数据库的问答应用：从入门到实践

在这个技术指南中，我们将深入探讨如何在图数据库上创建一个问答链。这样的系统可以让我们在图数据库中提问并返回自然语言答案。这是实现智能数据查询和自然语言处理的高级应用。

## 引言

问答系统在现代应用中越来越普遍，从虚拟助手到客户支持，这些系统为我们提供了强大的数据交互功能。本文旨在帮助你构建一个基于图数据库的问答系统，通过将自然语言问题转换为数据库查询并返回结果。

## 主要内容

### 架构

大多数图数据库问答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（例如Cypher）。
2. 执行图数据库查询：运行图数据库查询。
3. 回答问题：模型使用查询结果响应用户输入。

### 设置

首先，安装所需的包并设置环境变量。在这个示例中，我们将使用Neo4j作为图数据库。

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

我们默认使用OpenAI模型。

import getpass
import os

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

# 定义Neo4j凭据
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"

接着，我们创建一个连接到Neo4j数据库的连接实例，并填充一些关于电影及其演员的示例数据。

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)

图模式

为了让LLM生成Cypher语句，它需要了解图的模式信息。我们创建图对象时会自动获取这些信息，若后期更改了图结构，可以运行refresh_schema方法刷新模式信息。

graph.refresh_schema()
print(graph.schema)

我们为Neo4j定义了一个简单的问答链，通过这个链我们可以将问题转换为Cypher查询，执行查询，并使用结果回答原始问题。

代码示例

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

LLMs生成的Cypher语句可能会在关系方向上出现问题。由于图的模式已预定义，我们可以通过使用validate_cypher参数来验证并校正生成的Cypher语句中的关系方向。

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)