构建基于图数据库的问答应用：你的全面指南

最新推荐文章于 2024-09-25 11:06:23 发布

akhfuiigabv

最新推荐文章于 2024-09-25 11:06:23 发布

阅读量1k

点赞数 10

文章标签：数据库 oracle python

本文链接：https://blog.csdn.net/akhfuiigabv/article/details/142320201

版权

构建基于图数据库的问答应用：你的全面指南

在这篇文章中，我们将探讨如何在图数据库上创建一个问答链。这种系统能够根据图数据库中的数据回答自然语言问题。

⚠️ 安全提示 ⚠️
在图数据库上构建问答系统需要执行模型生成的图查询。这本质上存在一定的风险。确保数据库连接权限被严格限定在链/代理所需的范围内。这将有助于降低但无法完全消除风险。关于通用安全最佳实践，请参见此处。

架构

在高层次上，图链的步骤如下：

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）。
执行图数据库查询：执行生成的查询。
回答问题：模型使用查询结果回复用户输入。

设置

首先，获取所需的软件包并设置环境变量。在本例中，我们将使用Neo4j图数据库。

%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()  # 请输入OpenAI API密钥

# 如果需要使用LangSmith，可以取消注释以下代码
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
# os.environ["LANGCHAIN_TRACING_V2"] = "true"

接下来，我们需要定义Neo4j的凭据。按照这些安装步骤设置Neo4j数据库。

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

以下示例将创建与Neo4j数据库的连接，并填充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)  # 使用API代理服务提高访问稳定性

图模式

为了让LLM能够生成Cypher语句，它需要图模式的信息。实例化图对象时，它会检索图模式的信息。如果稍后对图进行了更改，可以使用refresh_schema方法刷新模式信息。

graph.refresh_schema()
print(graph.schema)

节点属性如下：

Movie {imdbRating: FLOAT, id: STRING, released: DATE, title: STRING}
Person {name: STRING}
Genre {name: STRING}

关系属性如下：

(:Movie)-[:IN_GENRE]->(:Genre)
(:Person)-[:DIRECTED]->(:Movie)
(:Person)-[:ACTED_IN]->(:Movie)

链

接下来，我们使用一个简单的链，它接受一个问题，将其转为Cypher查询，执行查询，并使用结果回答原始问题。

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

验证关系方向

LLMs在生成Cypher语句时可能会对关系方向感到困惑。由于图模式是预定义的，我们可以通过使用validate_cypher参数来验证并可选地更正生成的Cypher语句的关系方向。

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)