＜Langchain实战＞通过大语言模型实现非结构化文本生成知识图谱 (1)

背景引入

知识图谱（Knowledge Graph）是一种结构化的知识表示方法，它通过实体、概念、属性和关系等信息来组织和描述现实世界中的知识。知识图谱的作用非常广泛，一些主要的应用领域和作用：

1. 搜索引擎优化：知识图谱可以为搜索引擎提供更丰富的语义信息，帮助搜索引擎更好地理解用户的查询意图，提供更准确的搜索结果。

2. 语义搜索：知识图谱能够支持基于语义的搜索，使得用户可以通过自然语言查询获取相关信息，而不是仅仅依赖于关键词匹配。

3. 智能推荐系统：知识图谱可以用于构建更智能的推荐系统，通过分析用户的历史行为和兴趣，结合知识图谱中的关系和属性，为用户推荐相关的商品、服务等

基于此背景,由此延伸出一个想法-常规以往知识图谱的构建都需要整理文本结构等操作.非常耗费时间.正好最近大模型火了一把. 我就有一个想法可不可以用LLM基于Langchain框架构建一个通过非结构化文本生成知识图谱的LLM应用.

项目整体思路

大致流程图如下:

废话少说,让我们直奔主题

 

Github链接

passionfruit216/Knowledge_Graph (github.com)

环境准备

python版本3.10

1.安装项目依赖

  git clone https://github.com/passionfruit216/Knowledge_Graph.git
  cd Knowledge_Graph
  pip install -r requirements.txt
    

2.安装neo4j

进入此网址

https://neo4j.com/deployment-center/#enterprise 自行下载 社区版

注意! 十分推荐下载5.18版本以前的版本

下载完成后,解压缩到任意路径 例如我的路径为

C:\neo4j-community-5.18.0\bin

将此路径(你自己的)添加到环境变量中
eg.添加环境变量

进入设置,找到系统设置,点击系统信息

找到高级系统设置.

点击环境变量

在系统变量栏下,找到的Path值
 
点击新增,添加下载好的neo4j数据库的bin路径即可

3.准备你自己的大模型
 

大模型的选择不做过多限制,本地部署和调用api均可.所以在这里不多赘述.

至此,项目的前期准备工作已经差不多了.具体代码讲解请关注我的下一篇博客.

非常感谢您阅读本篇博客！如果您觉得这篇文章对您有所帮助，或者您对Neo4j和Langchain框架感兴趣，请不要吝啬您的点赞和收藏。您的支持是我继续努力创作的动力！同时，也欢迎您在评论区留言，分享您的想法和经验，让我们一起交流学习，共同进步。再次感谢您的阅读，希望我们下次再见！