0


【AI大模型应用开发】AI+知识图谱极简入门:手把手带你体验LangChain实现知识图谱创建和查询(附代码和源码分析)

大家好,我是 同学小张,持续学习C++进阶知识和AI大模型应用实战案例,持续分享,欢迎大家点赞+关注,共同学习和进步。


最近在大模型应用中使用图数据库或知识图谱越来越流行。图在表示和存储多样化且相互关联的信息方面具有天然优势,能够轻松捕捉不同数据类型间的复杂关系和属性,从而更好地给大模型提供上下文或数据支持。本文一起来看下如何在大模型应用中使用图数据库或知识图谱。

本文仅是简单入门和体验,不会图数据库或neo4j也无所谓,跟着本文步骤走就可以。本文可以帮你体会一下知识图谱在RAG中的应用方法,有了体会,后面如果需要再学图数据库的使用方法。

文章目录

0. 什么是知识图谱

0.1 概念

知识图谱是一种结构化的语义知识库,它通过图的形式存储和表示实体(如人、地点、组织等)以及实体之间的关系(如人物关系、地理位置关系等)。知识图谱通常用于增强搜索引擎的语义理解能力,提供更丰富的信息和更准确的搜索结果。

知识图谱的主要特点包括:

  1. **实体(Entity)**:知识图谱中的基本单元,代表现实世界中的一个对象或概念。
  2. **关系(Relation)**:实体之间的联系,如“属于”、“位于”、“创立者”等。
  3. **属性(Attribute)**:实体所具有的描述性信息,如人的年龄、地点的经纬度等。
  4. **图结构(Graph Structure)**:知识图谱以图的形式组织数据,包含节点(实体)和边(关系)。
  5. **语义网络(Semantic Network)**:知识图谱可以视为一种语义网络,其中的节点和边都具有语义含义。
  6. **推理(Inference)**:知识图谱可以用于推理,即通过已知的实体和关系推导出新的信息。

知识图谱在搜索引擎优化(SEO)、推荐系统、自然语言处理(NLP)、数据挖掘等领域有广泛的应用。例如,Google的Knowledge Graph、Wikidata、DBpedia等都是著名的知识图谱实例。

在这里插入图片描述

0.2 知识图谱的意义

知识图谱作为一种数据组织形式,其意义在于提供了一种高效、直观的方式来表示和管理复杂的数据关系。它通过图结构的节点和边,将数据以结构化的形式展现,增强了数据的语义表达能力,使得实体间的关系清晰明确。知识图谱显著提升了信息检索的准确性,尤其在自然语言处理领域,它使得机器能够更好地理解和回应复杂的用户查询。知识图谱在智能应用中发挥着核心作用,如推荐系统、智能问答等。

枯燥的介绍之后,下面我们来看下RAG+知识图谱的案例,亲自动手实现一下。

以下案例来自LangChain的官方文档:https://python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#refresh-graph-schema-information

1. 上手撸代码

1.1 前期准备

(1)首先需要安装一个图数据库,这里我们使用neo4j。

python安装命令:

pip install neo4j

(2)去官方注册一个账号,登录,然后创建一个数据库实例。(用于学习的话选择免费的就行。)

在这里插入图片描述

创建完一个在线的数据库实例之后,页面如下:

在这里插入图片描述

现在就可以在代码中使用这个数据库了。

1.2 代码实战

(1)在创建完数据库实例之后,你应该会得到该数据的链接、用户名和密码,老规矩,放到环境变量中,然后通过Python加载环境变量:

neo4j_url = os.getenv('NEO4J_URI')
neo4j_username = os.getenv('NEO4J_USERNAME')
neo4j_password = os.getenv('NEO4J_PASSWORD')

(2)链接数据库

LangChain中封装了neo4j的接口,我们只需要导入Neo4jGraph类即可使用。

from langchain_community.graphs import Neo4jGraph
graph = Neo4jGraph(url=neo4j_url, username=neo4j_username, password=neo4j_password)

(3)查询填充数据

可以利用 query 接口进行查询,并返回结果。查询语句的语言是 Cypher 查询语言。

result = graph.query("""
MERGE (m:Movie {name:"Top Gun", runtime: 120})
WITH m
UNWIND ["Tom Cruise", "Val Kilmer", "Anthony Edwards", "Meg Ryan"] AS actor
MERGE (a:Actor {name:actor})
MERGE (a)-[:ACTED_IN]->(m)
""")print(result)# 输出:[]

以上代码输出的是

[]

(4)刷新图的架构信息

graph.refresh_schema()print(graph.schema)

在这里插入图片描述

从结果来看,schema包含了节点的类型、属性以及类型之间的关系等信息,是图的架构。

我们还可以登录到neo4j的web页面,查看一下图数据库中存储的数据:

在这里插入图片描述

(5)图数据库中有了数据,接下来我们就可以进行查询了。

LangChain中封装了GraphCypherQAChain类,可以方便地使用图数据库进行查询。如下代码:

chain = GraphCypherQAChain.from_llm(
    ChatOpenAI(temperature=0), graph=graph, verbose=True)

result = chain.invoke({"query":"Who played in Top Gun?"})print(result)

执行过程和结果:

在这里插入图片描述

先将自然语言(Who played in Top Gun?)通过大模型转换成了图查询语句,然后通过neo4j执行查询语句,返回结果,最后通过大模型转换成自然语言输出给用户。

2. 拓展知识

2.1 GraphCypherQAChain的参数

以上代码,我们使用了LangChain的GraphCypherQAChain类,这是LangChain提供的图数据库查询和问答Chain。它有很多的参数可以设置,比如使用

exclude_types

来设置忽略哪些节点类型或关系:

chain = GraphCypherQAChain.from_llm(
    graph=graph,
    cypher_llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo"),
    qa_llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo-16k"),
    verbose=True,
    exclude_types=["Movie"],)

输出类似如下:

Node properties are the following:
Actor {name: STRING}
Relationship properties are the following:

The relationships are the following:

类似还有很多参数可用,可以参考官方文档:https://python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#use-separate-llms-for-cypher-and-answer-generation

2.2 GraphCypherQAChain 的执行源码

下面是GraphCypherQAChain的执行源码,简单看下其执行过程。

(1)

cypher_generation_chain

: 自然语言到图查询语句的转换。

(2)

extract_cypher

: 取出查询语句,这里是因为大模型可能返回一些额外的说明信息,需要去除。

(3)

cypher_query_corrector

: 修正查询语句。

(4)

graph.query

: 执行查询语句,查询图数据库,获取内容

(5)

self.qa_chain

: 根据原始问题和查询的内容,再次利用大模型组织答案,用自然语言输出给用户。

def_call(
    self,
    inputs: Dict[str, Any],
    run_manager: Optional[CallbackManagerForChainRun]=None,)-> Dict[str, Any]:"""Generate Cypher statement, use it to look up in db and answer question."""......

    generated_cypher = self.cypher_generation_chain.run({"question": question,"schema": self.graph_schema}, callbacks=callbacks
    )# Extract Cypher code if it is wrapped in backticks
    generated_cypher = extract_cypher(generated_cypher)# Correct Cypher query if enabledif self.cypher_query_corrector:
        generated_cypher = self.cypher_query_corrector(generated_cypher)......# Retrieve and limit the number of results# Generated Cypher be null if query corrector identifies invalid schemaif generated_cypher:
        context = self.graph.query(generated_cypher)[: self.top_k]else:
        context =[]if self.return_direct:
        final_result = context
    else:......

        result = self.qa_chain({"question": question,"context": context},
            callbacks=callbacks,)
        final_result = result[self.qa_chain.output_key]

    chain_result: Dict[str, Any]={self.output_key: final_result}......return chain_result

如果觉得本文对你有帮助,麻烦点个赞和关注呗 ~~~


  • 大家好,我是 同学小张,持续学习C++进阶知识AI大模型应用实战案例
  • 欢迎 点赞 + 关注 👏,持续学习持续干货输出
  • +v: jasper_8017 一起交流💬,一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览:

在这里插入图片描述


本文转载自: https://blog.csdn.net/Attitude93/article/details/138727975
版权归原作者 同学小张 所有, 如有侵权,请联系我们删除。

“【AI大模型应用开发】AI+知识图谱极简入门:手把手带你体验LangChain实现知识图谱创建和查询(附代码和源码分析)”的评论:

还没有评论