Rozlišování entit pomocí grafu

Ale ne! I přes pečlivě sestavený prompt, few-shot příklady a zkřížené prsty si LLM vymyslel postavu jménem Romeo Capulet a přiřadil mu v databázi několik replik.

{
  "id": "romeo-capulet",
  "name": "Romeo Capulet",
  "family": "Montague"
}

Naštěstí můžeš využít vztahy ve znalostním grafu k tomu, aby ses rozhodl/a, jestli je tento uzel pravděpodobně duplicitou uzlu s názvem Romeo Montague.

Cypherův příkaz similarity_cypher využívá vztahy MEMBER_OF a INTERACTS_WITH k výpočtu libovolného skóre podobnosti s těmito vlastnostmi:

Podmínka	Cypher	Modifikátor bodů
Vztah `MEMBER_OF` ke stejné rodině	`af = bf`	`+1`
Stejná vlastnost name	`a.name = b.name`	`+2`
Procento postav, se kterými interagují `a` i `b`	`size(inCommon) / size(aInteractsWith)`	Vynásobeno procentem `b`, se kterým interaguje `a`

Z kontextu domény víš, že skóre 2 značí silnou korelaci.

Toto cvičení je součástí kurzu

Graph RAG s LangChain a Neo4j

Pokyny k cvičení

Dotaž se na graph pomocí Cypherova dotazu (similarity_cypher) a vypočítej skóre podobnosti mezi "romeo-capulet" a ostatními uzly postav.
Z každého row ve results extrahuj hodnoty "bId", "bFamily" a "score", v tomto pořadí.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Query the graph with similarity_cypher
result = ____

# Extract and print the results
for row in result:
    print(row['____'], 'from', row['____'], 'has similarity score of ', row['____'])

Upravit a spustit kód

Toto cvičení je součástí kurzu

Graph RAG s LangChain a Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Začněte kurz zdarma

Zjisti, jak Graph RAG zlepšuje přesnost a spolehlivost RAG aplikací! Ukládej informace jako uzly a hrany v databázi Neo4j a dej svému LLM schopnost dotazovat se na ně, aby mohl načítat informace o entitách a vztazích a poskytovat fundované odpovědi.

Exercise 1: Grafy a RAG Exercise 2: Vytváření uzlů Exercise 3: Vytváření vztahů Exercise 4: Ukládání grafových dokumentů Exercise 5: Dotazování na znalostní graf Exercise 6: Psaní Cypher dotazů Exercise 7: Spouštění Cypher příkazů Exercise 8: Klauzule MERGE Exercise 9: Text-to-Cypher Graph RAG s Neo4j Exercise 10: Sestavení řetězce text-to-Cypher Exercise 11: Retrieval chain pro Text-to-Cypher

Aplikace Text-to-Cypher fungují v mnoha situacích dobře, ale lze to zvládnout ještě lépe! Zjisti, jak vytvářet grafové databáze pomocí různých grafových modelů, včetně lexikálních a doménových grafů. Vytvoř vektorové indexy v Neo4j, aby sis mohl/a užít to nejlepší z obou světů a spouštět grafové i vektorové vyhledávání zároveň!

Exercise 1: Lexicální grafy Exercise 2: Prvky lexikálního grafu Exercise 3: Rozdělení hry na dějství Exercise 4: Vytvoření hierarchického lexikálního grafu Exercise 5: Kombinace lexikálních grafů s vektorovým vyhledáváním Exercise 6: Vytváření textových fragmentů Exercise 7: Vytvoření vektorového indexu Exercise 8: Doménové grafy Exercise 9: Vytvoření strukturovaného výstupu Exercise 10: Požadavek na strukturovaný výstup Exercise 11: Zadávání few-shot příkladů Exercise 12: Sestavení hybridního retrieval řetězce Exercise 13: Runnable lambdy Exercise 14: Přiřazení dalších hodnot ke vstupu Exercise 15: Poslední článek řetězce

Přestože jsou Graph RAG aplikace obecně spolehlivější než vektorový RAG, nejsou zcela neomylné. V této kapitole se naučíš vyhodnocovat své Graph RAG aplikace, odhalovat nesprávné nebo duplicitní uzly grafu a integrovat dlouhodobou paměť, aby bylo možné postupně zohledňovat preference uživatelů.

Exercise 1: Rozlišování entit Exercise 2: Použití extrahovaných entit Exercise 3: Rozlišování entit pomocí grafu

Aktuální cvičení

Exercise 4: Vyhodnocování Graph RAG pomocí RAGAS Exercise 5: Vytvoření Ragas hodnocení Exercise 6: Hodnocení načítání kontextu pomocí Ragas Exercise 7: Grafy s pamětí Exercise 8: Ukládání paměti konverzace do grafu Exercise 9: Extrakce faktů z historie konverzací Exercise 10: Využití extrahovaných faktů z konverzace Exercise 11: Gratulujeme!