本地大模型编程实战(28)查询图数据库NEO4J(1)

本文将基于langchain 框架，用LLM(大语言模型)查询图数据库NEO4J。
   使用 qwen2.5 做实验，用 llama3.1 查不出内容。
   
  

---

安装 NEO4J

参见：在windows系统中安装图数据库NEO4J 。
预备图数据

我们先预备图数据，为后面的实验做预备。

• 安装NEO4J的插件Awesome Procedures On Cypher (APOC)
  

APOC（Awesome Procedures on Cypher）是Neo4j图数据库的一个插件，它提供了一组强盛的过程和函数，扩展了Cypher查询语言的功能。 APOC可以帮助你进行更高级的数据处置惩罚和操纵，例如导入和导出数据、动态创建节点和关系、执行事务操纵等。

• 下载插件
  

您可以到 github 下载，也可以到 csdn 下载。
下载完毕后，将rar拷贝到 NEO4J 的 plugins 目录下，重启 NEO4J 即可。

• 预备数据
  

我们预备了少量电影数据，可以直接下载 movies_small 。

• 导入数据
  

装好了APOC插件后，就可以导入预备好的数据了。
   我把 movies_small.csv 放在了 NEO4J 的 import 文件夹下，才可以正常导入。
  下面定义一个方法导入数据：

1. def create_graph():
2.     """导入数据，创建图形数据库"""
4.     # 把movies_small.csv拷贝到neo4j的import文件夹内
5.     db_file_path = 'file:///movies_small.csv'
7.     movies_query = """
8.     LOAD CSV WITH HEADERS FROM
9.     '%s'
10.     AS row
11.     MERGE (m:Movie {id:row.movieId})
12.     SET m.released = date(row.released),
13.         m.title = row.title,
14.         m.imdbRating = toFloat(row.imdbRating)
15.     FOREACH (director in split(row.director, '|') |
16.         MERGE (p:Person {name:trim(director)})
17.         MERGE (p)-[:DIRECTED]->(m))
18.     FOREACH (actor in split(row.actors, '|') |
19.         MERGE (p:Person {name:trim(actor)})
20.         MERGE (p)-[:ACTED_IN]->(m))
21.     FOREACH (genre in split(row.genres, '|') |
22.         MERGE (g:Genre {name:trim(genre)})
23.         MERGE (m)-[:IN_GENRE]->(g))
24.     """ % (db_file_path)
26.     graph.query(movies_query)
28.     graph.refresh_schema()
29.     print(graph.schema)

复制代码

执行完毕上述方法后，我们可以使用 NEO4J 的管理工具检察 刚才导入数据了。
查询图数据

• GraphCypherQAChain
  

我们用最简朴的方式：使用GraphCypherQAChain查询图数据库：

1. enhanced_graph = Neo4jGraph(enhanced_schema=True)
2. print(enhanced_graph.schema)
4. from langchain_ollama import ChatOllama
5. llm = ChatOllama(model="qwen2.5",temperature=0, verbose=True)   #llama3.1查不出内容；EntropyYue/chatglm3生成的查询有问题报错
7. # GraphQACypherChain
8. from langchain_neo4j import GraphCypherQAChain
10. chain = GraphCypherQAChain.from_llm(
11.     graph=enhanced_graph, llm=llm, verbose=True, allow_dangerous_requests=True
12. )

复制代码

从上面的代码来看，用GraphCypherQAChain查询NEO4J很简朴，复杂的工作都由GraphCypherQAChain干了。
   后面我们会用langgraph来实现类似功能。，这可以让我们对GraphCypherQAChain的实现思绪有更加清楚的了解。
  

• 定义询问方法
  

1. def ask(question:str):
2.     """询问图数据库内容"""
4.     response = chain.invoke({"query": question})
5.     print(f'response:\n{response}')

复制代码

• 见证结果
  

我们问一个图数据库内里有答案的问题吧：

1. What was the cast of the Casino?

复制代码

在执行的过程中，可以看到 LLM 推理出了 Cypher 查询语句：

1. > Entering new GraphCypherQAChain chain...
2. Generated Cypher:
3. MATCH (m:Movie {title: 'Casino'})<-[:ACTED_IN]-(a:Person) RETURN a.name
4. Full Context:
5. [{'a.name': 'James Woods'}, {'a.name': 'Joe Pesci'}, {'a.name': 'Robert De Niro'}, {'a.name': 'Sharon Stone'}]

复制代码

终极给出的结果是：

1. {'query': 'What was the cast of the Casino?
2. ', 'result': 'The cast of Casino included James Woods, Joe Pesci, Robert De Niro, and Sharon Stone.'}

复制代码

不错！
总结

通过上述演练，我们发现用 langchain 的 GraphQACypherChain 对图数据库 NEO4J 进行简朴的查询照旧比力容易实现的。

---

代码

本文涉及的全部代码以及相干资源都已经共享，参见：

• github
  
• gitee
  

   为便于找到代码，程序文件名称最前面的编号与本系列文章的文档编号相同。