【实施案例】图数据库问答系统🦜️🔗 Graphs
输入“/”快速插入内容
【实施案例】图数据库问答系统🦜️🔗 Graphs
【实施案例】图数据库问答系统🦜️🔗 Graphs
飞书用户8112024年4月14日创建
1284
2077
🌿
图数据库是问答系统常见的数据库类型之一。LangChain 配备了众多内置的链和代理，它们支持图查询语言的各种方言，比如 Cypher、SparQL 等等，并且与多种图数据库引擎兼容，如 Neo4j、MemGraph、Amazon Neptune、Kùzu、OntoText 和 Tigergraph。这些功能支持多种应用场景：
•
针对自然语言问题生成查询，
•
开发能够依据数据库信息回答问题的聊天机器人，
•
创建自定义仪表板，以便分析用户感兴趣的洞察，
•
以及其他更多用途。
案例
我们将介绍如何在图数据库上创建一个问答链的基本方法。这些系统将允许我们针对图数据库中的数据提出问题，并得到自然语言的回答。
🚩 安全提示 🚩
构建图数据库的问答系统需要执行模型生成的图查询。这样做存在固有风险。请确保您的数据库连接权限始终尽可能狭窄地适用于您的链/代理的需求。这将减轻但不会消除构建模型驱动系统的风险。有关一般安全最佳实践的更多信息，请参阅此处。
架构 Architecture
在较高层次上，大多数图链的步骤如下：
1.
将问题转换为图数据库查询：模型将用户输入转换为图数据库查询（例如Cypher）。
2.
执行图数据库查询：执行图数据库查询。
3.
回答问题：模型使用查询结果对用户输入做出回应。
项目设置 Setup
首先，获取所需的包并设置环境变量。在本例中，我们将使用Neo4j图数据库。
%pip install --upgrade --quiet langchain langchain-community langchain-groq neo4j
在此用例中我们默认使用Groq提供的 Chat Model，模型为 mixtral-8x7b-32768。
代码块
import getpass
import os
os.environ["GROQ_API_KEY"] = getpass.getpass()
# 自行申请API Key，前往 https://wow.groq.com/
代码块
os.environ["NEO4J_URI"] = "bolt://localhost:7687"
os.environ["NEO4J_USERNAME"] = "neo4j"
os.environ["NEO4J_PASSWORD"] = "password"
下面的示例将创建一个与Neo4j数据库的连接，并用有关电影及其演员的示例数据来填充该数据库。
代码块
from langchain_community.graphs import Neo4jGraph
graph = Neo4jGraph()
# Import movie information
movies_query = """
LOAD CSV WITH HEADERS FROM
'https://raw.githubusercontent.com/tomasonjo/blog-datasets/main/movies/movies_small.csv'
AS row
MERGE (m:Movie {id:row.movieId})
SET m.released = date(row.released),
m.title = row.title,
m.imdbRating = toFloat(row.imdbRating)
FOREACH (director in split(row.director, '|') |
MERGE (p:Person {name:trim(director)})
MERGE (p)-[:DIRECTED]->(m))
FOREACH (actor in split(row.actors, '|') |
MERGE (p:Person {name:trim(actor)})
MERGE (p)-[:ACTED_IN]->(m))
FOREACH (genre in split(row.genres, '|') |
MERGE (g:Genre {name:trim(genre)})
MERGE (m)-[:IN_GENRE]->(g))
"""
graph.query(movies_query)