Créer un graphe lexical hiérarchique

Vous avez peut-être remarqué que le résultat précédent contenait plus que de simples actes. L’extraction d’un graphe de connaissances est souvent un processus itératif. La sortie d’un découpeur de texte nécessite fréquemment un examen et un filtrage supplémentaires avant de créer les nœuds et les relations.

Dans cet exercice, vous allez filtrer ces informations additionnelles, puis les utiliser pour créer des nœuds Act reliés à un nœud Play.

La variable play_node, qui contient un objet Node pour la pièce, a été créée pour vous, ainsi qu’une variable graph_document destinée à accueillir les nouveaux nœuds et relations que vous allez créer.

Cet exercice fait partie du cours

<cours>Graph RAG avec LangChain et Neo4j</cours>

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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])

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Graph RAG avec LangChain et Neo4j</cours>

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

Apprenez comment Graph RAG peut améliorer la précision et la fiabilité des applications RAG ! Stockez les informations sous forme de nœuds et d’arêtes dans une base Neo4j, et donnez à votre LLM la capacité de l’interroger pour récupérer des informations sur les entités et leurs relations afin de fournir des réponses étayées.

Exercise 1: Graphes et RAG Exercise 2: Création de nœuds Exercise 3: Créer des relations Exercise 4: Enregistrer des documents de graphe Exercise 5: Interroger un graphe de connaissances Exercise 6: Écrire des instructions Cypher Exercise 7: Exécuter des instructions Cypher Exercise 8: La clause MERGE Exercise 9: Graph RAG texte-vers-Cypher avec Neo4j Exercise 10: Créer une chaîne text-to-Cypher Exercise 11: Chaîne de récupération Text-to-Cypher

Les applications Text-to-Cypher fonctionnent bien dans de nombreux cas, mais on peut faire mieux ! Découvrez comment construire des bases de données graphe en utilisant différents modèles, dont les graphes lexicaux et les graphes métier. Créez des index vectoriels Neo4j afin de profiter du meilleur des deux mondes et d’exécuter simultanément une récupération par graphe et par vecteur !

Exercise 1: Graphes lexicaux Exercise 2: Éléments d’un graphe lexical Exercise 3: Découper la pièce en actes Exercise 4: Créer un graphe lexical hiérarchique

Exercice actuel

Exercise 5: Combiner les graphes lexicaux avec la recherche vectorielle Exercise 6: Créer des segments de texte Exercise 7: Créer un index vectoriel Exercise 8: Graphes de domaine Exercise 9: Créer une sortie structurée Exercise 10: Demander une sortie structurée Exercise 11: Fournir des exemples few-shot Exercise 12: Construire une chaîne de récupération hybride Exercise 13: Lambdas exécutables Exercise 14: Ajouter des valeurs supplémentaires à une entrée Exercise 15: Le dernier maillon de la chaîne

Même si les applications Graph RAG sont généralement plus fiables que le RAG vectoriel, elles ne sont pas infaillibles. Dans ce chapitre, vous apprendrez à évaluer vos applications Graph RAG, à repérer les nœuds de graphe incorrects ou en double, et à intégrer une mémoire long terme pour que les préférences des utilisateurs soient apprises au fil du temps.

Exercise 1: Résolution d’entités Exercise 2: Utiliser les entités extraites Exercise 3: Résolution d'entités basée sur le graphe Exercise 4: Évaluer Graph RAG avec RAGAS Exercise 5: Créer une évaluation Ragas Exercise 6: Évaluer la récupération de contexte avec Ragas Exercise 7: Graphes de mémoire Exercise 8: Enregistrer la mémoire de conversation dans le graphe Exercise 9: Extraire des faits à partir d’historiques de conversation Exercise 10: Utiliser les faits extraits de la conversation Exercise 11: Félicitations !