构建基于图数据库的问答应用：从问题到自然语言答案-CSDN博客

本文链接：https://blog.csdn.net/afTFODguAKBF/article/details/143109328

引言

在技术驱动的时代，问答系统已成为信息检索和知识发现的重要工具。本文将介绍如何在图数据库上创建问答系统。这些系统能够将用户的问题转换为图数据库查询，并返回自然语言答案。

主要内容

架构概述

大多数图形链的步骤如下：

转换问题为图数据库查询：模型将用户输入转换为图数据库查询（如Cypher）。
执行图数据库查询：执行转换后的查询。
回答问题：模型使用查询结果生成对用户问题的回答。

设置环境

首先，我们需要安装必要的软件包并设置环境变量。本例中使用的是Neo4j图数据库。

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

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

接下来，定义Neo4j的凭据。

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

以下示例将连接到Neo4j数据库，并导入有关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

为了让语言模型生成Cypher语句，需要了解图的模式。可以通过refresh_schema方法刷新图模式信息。

graph.refresh_schema()
print(graph.schema)

构建问答链

使用LangChain的内置链GraphCypherQAChain：

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)

验证关系方向

由于LLM可能在生成Cypher语句时出错，使用validate_cypher参数来验证并纠正关系方向。

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)