Erstellen eines hierarchischen Lexikalgraphen

Dir ist vielleicht aufgefallen, dass die vorige Ausgabe mehr enthielt als nur Akte. Das Extrahieren eines Wissensgraphen ist oft ein iterativer Prozess. Die Ausgabe eines Text-Splitters benötigt häufig zusätzliche Prüfung und Filterung, bevor Knoten und Beziehungen erstellt werden.

In dieser Übung filterst du diese zusätzlichen Informationen heraus und verwendest sie dann, um Act-Knoten zu erstellen, die mit einem Play-Knoten verbunden sind.

Die Variable play_node, die ein Node-Objekt für das Stück enthält, wurde bereits für dich angelegt, ebenso wie eine Variable graph_document, die die neuen Knoten und Beziehungen aufnehmen wird, die du erstellst.

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

acts = act_splitter.split_text(romeo_and_juliet)

for i, act in enumerate(acts):
	lines = act.strip().split("\n")
	
	# Only include text relating to an act
	if lines[0].startswith(____):
		print(i, act.strip().split("\n")[0])

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne, wie Graph RAG die Genauigkeit und Zuverlässigkeit von RAG-Anwendungen verbessern kann! Speichere Informationen als Knoten und Kanten in einer Neo4j-Datenbank und gib deinem LLM die Fähigkeit, sie abzufragen, damit es Entitäten- und Beziehungsinformationen abrufen und fundierte Antworten geben kann.

Exercise 1: Graphs und RAG Exercise 2: Knoten erstellen Exercise 3: Beziehungen erstellen Exercise 4: Graph-Dokumente speichern Exercise 5: Eine Wissensgraph-Abfrage durchführen Exercise 6: Cypher-Anweisungen schreiben Exercise 7: Cypher-Anweisungen ausführen Exercise 8: Die MERGE-Klausel Exercise 9: Text-zu-Cypher Graph RAG mit Neo4j Exercise 10: Eine Text-zu-Cypher-Chain erstellen Exercise 11: Text-zu-Cypher Retrieval-Chain

Text-to-Cypher-Anwendungen funktionieren in vielen Situationen gut, aber wir können noch mehr herausholen! Entdecke, wie du Graphdatenbanken mit unterschiedlichen Graphmodellen konstruierst, darunter lexikalische und Domain-Graphen. Erstelle Neo4j-Vektorindizes, damit du das Beste aus beiden Welten nutzen und Graph- und Vektorabruf gleichzeitig ausführen kannst!

Exercise 1: Lexikalische Graphen Exercise 2: Elemente eines lexikalischen Graphen Exercise 3: Das Stück in Akte aufteilen Exercise 4: Erstellen eines hierarchischen Lexikalgraphen

Aktuelle Übung

Exercise 5: Lexikalische Graphen mit Vektorsuche kombinieren Exercise 6: Text in Chunks aufteilen Exercise 7: Einen Vektorindex erstellen Exercise 8: Domänengraphen Exercise 9: Strukturierte Ausgabe erstellen Exercise 10: Einen strukturierten Output anfordern Exercise 11: Few-shot-Beispiele bereitstellen Exercise 12: Eine hybride Retrieval-Chain aufbauen Exercise 13: Runnable-Lambdas Exercise 14: Zusätzliche Werte einem Input zuweisen Exercise 15: Das letzte Glied in der Kette

Auch wenn Graph-RAG-Anwendungen im Allgemeinen zuverlässiger sind als Vector RAG, sind sie nicht unfehlbar. In diesem Kapitel lernst du, deine Graph-RAG-Anwendungen zu evaluieren, falsche oder doppelte Graphknoten zu erkennen und Langzeitgedächtnis zu integrieren, damit Nutzerpräferenzen über die Zeit erlernt werden können.

Exercise 1: Entitätsauflösung Exercise 2: Extrahierte Entitäten verwenden Exercise 3: Graphbasierte Entitätsauflösung Exercise 4: Graph RAG mit RAGAS evaluieren Exercise 5: Erstellen einer Ragas-Evaluierung Exercise 6: Kontext-Retrieval mit Ragas evaluieren Exercise 7: Memory Graphs Exercise 8: Unterhaltungsspeicher im Graphen sichern Exercise 9: Fakten aus Gesprächsverläufen extrahieren Exercise 10: Extrahierte Gesprächsfakten verwenden Exercise 11: Glückwunsch!