155 `PropertyGraphIndex`类的`property_graph_store`和`vector_store`属性

Llama Index中的属性图索引：深入解析property_graph_store和vector_store属性

在现代数据科学和人工智能领域，属性图（Property Graph）已成为处理复杂信息的重要工具。属性图通过结构化的方式表示实体及其关系，使得信息的检索和理解变得更加高效。本文将深入探讨Llama Index中的PropertyGraphIndex类的property_graph_store和vector_store属性，帮助程序员全面理解其工作原理及实际应用。

前置知识

在开始之前，确保你具备以下基础知识：

1. Python基础：熟悉Python编程。
2. OpenAI API密钥：你需要一个OpenAI API密钥来使用OpenAI模型。
3. Llama Index：使用pip install llama-index安装Llama Index库。

环境设置

首先，让我们通过安装所需的包并配置OpenAI API密钥来设置环境。

# 安装Llama Index
%pip install llama-index

# 设置OpenAI API密钥
import os
os.environ["OPENAI_API_KEY"] = "sk-..."

# 配置日志
import logging
import sys
logging.basicConfig(stream=sys.stdout, level=logging.INFO)

PropertyGraphIndex的property_graph_store属性

property_graph_store属性是一个只读属性，用于获取当前属性图索引对象所使用的属性图存储。

代码解析

@property
def property_graph_store(self) -> PropertyGraphStore:
    """Get the labelled property graph store."""
    assert self.storage_context.property_graph_store is not None

    return self.storage_context.property_graph_store

设计思路

1. 断言检查：

   • 在返回属性图存储之前，进行断言检查，确保storage_context.property_graph_store不为空。

2. 返回属性图存储：

   • 返回storage_context.property_graph_store，即当前属性图索引对象所使用的属性图存储。

代码示例

from llama_index.core import PropertyGraphIndex, StorageContext
from llama_index.core.graph_stores import SimplePropertyGraphStore
from llama_index.llms.openai import OpenAI

# 定义LLM
llm = OpenAI(temperature=0, model="gpt-3.5-turbo")

# 创建属性图存储
property_graph_store = SimplePropertyGraphStore()
storage_context = StorageContext.from_defaults(graph_store=property_graph_store)

# 创建PropertyGraphIndex
pg_index = PropertyGraphIndex(
    storage_context=storage_context,
    llm=llm,
    embed_kg_nodes=True,
    show_progress=True,
)

# 获取属性图存储
graph_store = pg_index.property_graph_store
print(graph_store)

PropertyGraphIndex的vector_store属性

vector_store属性是一个只读属性，用于获取当前属性图索引对象所使用的向量存储。

代码解析

@property
def vector_store(self) -> Optional[BasePydanticVectorStore]:
    if self._embed_kg_nodes and self._override_vector_store:
        return self.storage_context.vector_store
    else:
        return None

设计思路

1. 条件检查：

   • 检查self._embed_kg_nodes和self._override_vector_store是否为True。
   • 如果条件满足，则返回storage_context.vector_store，即当前属性图索引对象所使用的向量存储。
   • 否则，返回None。

2. 返回向量存储：

   • 返回storage_context.vector_store，即当前属性图索引对象所使用的向量存储。

代码示例

from llama_index.core import PropertyGraphIndex, StorageContext
from llama_index.core.graph_stores import SimplePropertyGraphStore
from llama_index.llms.openai import OpenAI

# 定义LLM
llm = OpenAI(temperature=0, model="gpt-3.5-turbo")

# 创建属性图存储
property_graph_store = SimplePropertyGraphStore()
storage_context = StorageContext.from_defaults(graph_store=property_graph_store)

# 创建PropertyGraphIndex
pg_index = PropertyGraphIndex(
    storage_context=storage_context,
    llm=llm,
    embed_kg_nodes=True,
    show_progress=True,
)

# 获取向量存储
vector_store = pg_index.vector_store
print(vector_store)

总结

通过Llama Index的PropertyGraphIndex，我们可以轻松地获取属性图存储和向量存储。property_graph_store和vector_store属性的设计思路清晰，能够帮助程序员更好地理解和应用属性图技术。希望这篇博客能帮助你更好地理解和应用属性图技术。