31 使用属性图索引：构建和查询知识图谱

使用属性图索引：构建和查询知识图谱

在LlamaIndex中，属性图索引（PropertyGraphIndex）是一种强大的工具，用于构建和查询知识图谱。属性图是一种知识集合，由带标签的节点（如实体类别、文本标签等）和属性（如元数据）组成，通过关系链接成结构化的路径。

使用方法

基本用法

你可以通过导入类并使用它来实现基本用法：

from llama_index.core import PropertyGraphIndex

# 创建索引
index = PropertyGraphIndex.from_documents(
    documents,
)

# 使用索引
retriever = index.as_retriever(
    include_text=True,  # 包含匹配路径的源块
    similarity_top_k=2,  # 向量知识图节点检索的top k
)
nodes = retriever.retrieve("Test")

query_engine = index.as_query_engine(
    include_text=True,  # 包含匹配路径的源块
    similarity_top_k=2,  # 向量知识图节点检索的top k
)
response = query_engine.query("Test")

# 保存和加载
index.storage_context.persist(persist_dir="./storage")

from llama_index.core import StorageContext, load_index_from_storage

index = load_index_from_storage(
    StorageContext.from_defaults(persist_dir="./storage")
)

# 从现有的图存储（和可选的向量存储）加载
index = PropertyGraphIndex.from_existing(
    property_graph_store=graph_store, vector_store=vector_store, ...
)

构建属性图

在LlamaIndex中，属性图的构建通过一系列的kg_extractors对每个块进行处理，并将实体和关系作为元数据附加到每个llama-index节点上。你可以使用多个kg_extractors，它们都会被应用。

如果没有提供，默认使用SimpleLLMPathExtractor和ImplicitPathExtractor。

index = PropertyGraphIndex.from_documents(
    documents,
    kg_extractors=[extractor1, extractor2, ...],
)

# 插入额外的文档/节点
index.insert(document)
index.insert_nodes(nodes)

kg_extractors详解

(默认) SimpleLLMPathExtractor

使用LLM提取短语句，提示并解析单跳路径，格式为(entity1, relation, entity2)：

from llama_index.core.indices.property_graph import SimpleLLMPathExtractor

kg_extractor = SimpleLLMPathExtractor(
    llm=llm,
    max_paths_per_chunk=10,
    num_workers=4,
    show_progress=False,
)

(默认) ImplicitPathExtractor

使用每个llama-index节点对象的node.relationships属性提取路径：

from llama_index.core.indices.property_graph import ImplicitPathExtractor

kg_extractor = ImplicitPathExtractor()

DynamicLLMPathExtractor

根据可选的允许实体类型和关系类型列表提取路径（包括实体类型！）。如果没有提供，LLM将根据需要分配类型。如果提供了，它将帮助引导LLM，但不会强制执行这些类型：

from llama_index.core.indices.property_graph import DynamicLLMPathExtractor

kg_extractor = DynamicLLMPathExtractor(
    llm=llm,
    max_triplets_per_chunk=20