构建基于图数据库的问答应用：从入门到精通

最新推荐文章于 2024-10-21 09:06:39 发布

qq_37836323

最新推荐文章于 2024-10-21 09:06:39 发布

阅读量272

点赞数 2

文章标签：数据库 oracle python

本文链接：https://blog.csdn.net/qq_29929123/article/details/142783651

版权

# 引言

在现代数据驱动的世界中，问答应用越来越受到欢迎。特别是基于图数据库的问答系统，可以高效处理复杂关系查询。本指南将帮助您使用Neo4j图数据库构建一个问答系统。通过这种系统，您可以对数据库中的数据提出问题，并获得自然语言答案。

⚠️ **安全注意** ⚠️

构建图数据库问答系统需要执行模型生成的图查询，存在一定的风险。确保数据库连接权限限定在应用所需的最小范围内，以降低风险。更多安全最佳实践，请参见[这里](#)。

# 架构

图数据库问答系统的高层步骤如下：

1. 把问题转换为图数据库查询（如Cypher）。
2. 执行图数据库查询。
3. 使用查询结果回答问题。

# 设置

首先，安装所需的软件包并设置环境变量。本例中，我们使用Neo4j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()  # 输入您的API密钥

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

# 创建与Neo4j数据库的连接，并导入电影和演员信息
from langchain_community.graphs import Neo4jGraph

graph = Neo4jGraph()

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)  # 执行查询，填充数据

图模式

为了让LLM生成有效的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)

链

使用LangChain提供的内置链，将问题转换为Cypher查询，执行查询，并用结果回答问题。

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：LLM生成的Cypher语句可能方向错误。通过validate_cypher=True参数可验证并修正方向。

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)