Graphbasierte Entitätsauflösung

Oh nein! Selbst mit einer wasserdichten Prompt, Few-Shot-Beispielen und gedrückten Daumen hat das LLM immer noch eine Figur namens Romeo Capulet halluziniert und ihr ein paar Zeilen in der Datenbank zugewiesen.

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

Zum Glück kannst du die Beziehungen im Knowledge Graph nutzen, um zu entscheiden, ob dieser Knoten wahrscheinlich ein versehentlicher Duplikat eines anderen namens Romeo Montague ist.

Die Cypher-Anweisung similarity_cypher verwendet die Beziehungen MEMBER_OF und INTERACTS_WITH, um eine frei definierte Similarity-Score mit folgenden Eigenschaften zu berechnen:

Bedingung	Cypher	Punkte-Modifikator
Eine `MEMBER_OF`-Beziehung zur gleichen Familie	`af = bf`	`+1`
Dasselbe Namensattribut	`a.name = b.name`	`+2`
Prozentsatz der Figuren, mit denen `a` und `b` interagieren	`size(inCommon) / size(aInteractsWith)`	Multipliziert mit dem Prozentsatz von `b`, mit dem `a` interagiert

Aus deiner Domänenkenntnis weißt du, dass ein Score von 2 auf eine starke Korrelation hinweist.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

Führe auf graph die Cypher-Abfrage (similarity_cypher) aus, um Similarity-Scores zwischen "romeo-capulet" und den anderen Figuren-Knoten zu berechnen.
Extrahiere aus jeder row in results die Werte "bId", "bFamily" und "score" – in genau dieser Reihenfolge.

Interaktive praktische Übung

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

# 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['____'])

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 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

Aktuelle Übung

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!