Penyelesaian entitas berbasis grafik

Aduh! Meskipun prompt sudah sangat kuat, dengan contoh few-shot dan harapan setinggi langit, LLM masih berhalusinasi menciptakan tokoh bernama Romeo Capulet dan memberinya beberapa dialog di basis data.

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

Untungnya, Anda dapat menggunakan relasi dalam knowledge graph untuk menentukan apakah node ini kemungkinan merupakan duplikat tidak sengaja dari tokoh lain bernama Romeo Montague.

Pernyataan Cypher similarity_cypher menggunakan relasi MEMBER_OF dan INTERACTS_WITH untuk membangun skor kemiripan arbitrer dengan karakteristik berikut:

Kondisi	Cypher	Pengubah Poin
Relasi `MEMBER_OF` ke keluarga yang sama	`af = bf`	`+1`
Properti nama yang sama	`a.name = b.name`	`+2`
Persentase karakter yang berinteraksi dengan `a` dan `b`	`size(inCommon) / size(aInteractsWith)`	Dikalikan dengan persentase `b` yang berinteraksi dengan `a`

Berdasarkan pengetahuan domain Anda, skor 2 menunjukkan korelasi yang kuat.

Latihan ini merupakan bagian dari kursus

Graph RAG dengan LangChain dan Neo4j

Instruksi latihan

Lakukan kueri pada graph dengan kueri Cypher (similarity_cypher) untuk menghitung skor kemiripan antara "romeo-capulet" dan node karakter lainnya.
Ekstrak "bId", "bFamily", dan "score", dalam urutan tersebut, dari setiap row di results.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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['____'])

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Graph RAG dengan LangChain dan Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Pelajari bagaimana Graph RAG dapat meningkatkan akurasi dan keandalan aplikasi RAG! Simpan informasi sebagai node dan edge dalam basis data Neo4j, dan berikan kemampuan kueri pada LLM Anda agar dapat mengambil informasi entitas dan relasional untuk memberikan jawaban yang lebih tepat.

Exercise 1: Graf dan RAG Exercise 2: Membuat node Exercise 3: Membuat relasi Exercise 4: Menyimpan dokumen graf Exercise 5: Menguji kueri pada knowledge graph Exercise 6: Menulis pernyataan Cypher Exercise 7: Menjalankan pernyataan Cypher Exercise 8: Klausa MERGE Exercise 9: Graph RAG Teks-ke-Cypher dengan Neo4j Exercise 10: Membangun chain text-to-Cypher Exercise 11: Rantai pengambilan Text-to-Cypher

Aplikasi Text-to-Cypher bekerja baik dalam banyak situasi, tetapi kita bisa melangkah lebih jauh! Pelajari cara membangun basis data graf menggunakan berbagai model graf termasuk graf leksikal dan graf domain. Buat indeks vektor Neo4j sehingga Anda mendapatkan yang terbaik dari keduanya dan dapat menjalankan pengambilan graf dan vektor secara bersamaan!

Exercise 1: Graf leksikal Exercise 2: Elemen dalam grafik leksikal Exercise 3: Memecah naskah menjadi Babak (Act)Exercise 4: Membuat grafik leksikal hierarkis Exercise 5: Menggabungkan graf leksikal dengan penelusuran vektor Exercise 6: Membuat potongan teks Exercise 7: Membuat indeks vektor Exercise 8: Graf domain Exercise 9: Membuat keluaran terstruktur Exercise 10: Meminta keluaran terstruktur Exercise 11: Menyediakan contoh few-shot Exercise 12: Membangun rantai pengambilan hibrida Exercise 13: Lambda runnable Exercise 14: Menetapkan nilai tambahan ke sebuah input Exercise 15: Mata rantai terakhir

Meskipun aplikasi Graph RAG umumnya lebih andal dibandingkan vector RAG, bukan berarti sepenuhnya sempurna. Di bab ini, Anda akan belajar mengevaluasi aplikasi Graph RAG Anda, menemukan node graf yang salah atau duplikat, dan mengintegrasikan memori jangka panjang agar preferensi pengguna dapat dipelajari seiring waktu.

Exercise 1: Resolusi entitas Exercise 2: Menggunakan entitas yang diekstraksi Exercise 3: Penyelesaian entitas berbasis grafik

Latihan Saat Ini

Exercise 4: Mengevaluasi Graph RAG dengan RAGAS Exercise 5: Membuat evaluasi Ragas Exercise 6: Mengevaluasi pengambilan konteks dengan Ragas Exercise 7: Graf memori Exercise 8: Menyimpan memori percakapan dalam graph Exercise 9: Mengekstrak fakta dari riwayat percakapan Exercise 10: Menggunakan fakta percakapan yang diekstrak Exercise 11: Selamat!