Grafgebaseerde entity resolution

O nee! Zelfs met een ijzersterke prompt, few-shotvoorbeelden en duimen draaien heeft de LLM alsnog een personage bij elkaar gehallucineerd met de naam Romeo Capulet, en hij heeft zelfs een paar regels in de database gekregen.

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

Gelukkig kun je de relaties in de kennisgrafiek gebruiken om te bepalen of deze node waarschijnlijk per ongeluk een duplicaat is van een andere met de naam Romeo Montague.

De Cypher-instructie similarity_cypher gebruikt de relaties MEMBER_OF en INTERACTS_WITH om een willekeurige similariteitsscore te bouwen met de volgende eigenschappen:

Voorwaarde	Cypher	Puntenmodifier
Een `MEMBER_OF`-relatie met dezelfde familie	`af = bf`	`+1`
Dezelfde name-eigenschap	`a.name = b.name`	`+2`
Percentage personages waarmee `a` en `b` interactie hebben	`size(inCommon) / size(aInteractsWith)`	Vermenigvuldigd met het percentage van `b` waarmee `a` interactie heeft

Op basis van je domeinkennis weet je dat een score van 2 wijst op een sterke correlatie.

Deze oefening maakt deel uit van de cursus

Graph RAG met LangChain en Neo4j

Oefeninstructies

Voer de Cypher-query (similarity_cypher) uit op graph om similariteitsscores te berekenen tussen "romeo-capulet" en de andere personage-nodes.
Haal uit elke row in results achtereenvolgens "bId", "bFamily" en "score" op.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Graph RAG met LangChain en Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Begin gratis met de cursus

Leer hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-applicaties kan verbeteren! Sla informatie op als knooppunten en randen in een Neo4j-database en geef je LLM de mogelijkheid om daarop te query'en, zodat het entiteiten- en relatie-informatie kan ophalen om onderbouwde antwoorden te geven.

Exercise 1: Grafen en RAG Exercise 2: Nodes maken Exercise 3: Relaties maken Exercise 4: Graph-documenten opslaan Exercise 5: Een knowledge graph bevragen Exercise 6: Cypher-statements schrijven Exercise 7: Cypher-statements uitvoeren Exercise 8: De MERGE-clausule Exercise 9: Text-naar-Cypher Graph RAG met Neo4j Exercise 10: Een text-to-Cypher-chain bouwen Exercise 11: Text-to-Cypher retrieval chain

Text-to-Cypher-applicaties werken in veel situaties goed, maar we kunnen het nóg beter doen! Ontdek hoe je grafendatabases opzet met verschillende grafenmodellen, waaronder lexicale en domeingrafen. Maak Neo4j-vectorindexen zodat je het beste van beide werelden hebt en graf- en vector-retrieval gelijktijdig kunt uitvoeren!

Exercise 1: Lexicale grafen Exercise 2: Elementen van een lexicale graaf Exercise 3: Het toneelstuk splitsen in bedrijven Exercise 4: Een hiërarchische lexicale graaf maken Exercise 5: Lexicale grafen combineren met vectorzoekopdrachten Exercise 6: Tekst opdelen in chunks Exercise 7: Een vectorindex maken Exercise 8: Domeingrafen Exercise 9: Een gestructureerde output maken Exercise 10: Een gestructureerde output aanvragen Exercise 11: Few-shotvoorbeelden toevoegen Exercise 12: Een hybride retrieval-keten bouwen Exercise 13: Runnable-lambda's Exercise 14: Extra waarden toekennen aan een input Exercise 15: De laatste schakel in de keten

Hoewel Graph RAG-toepassingen over het algemeen betrouwbaarder zijn dan vector-RAG, zijn ze niet onfeilbaar. In dit hoofdstuk leer je je Graph RAG-applicaties evalueren, onjuiste of dubbele grafknooppunten opsporen en langetermijngeheugen integreren zodat gebruikersvoorkeuren in de tijd kunnen worden geleerd.

Exercise 1: Entiteitsresolutie Exercise 2: Gëxtraheerde entiteiten gebruiken Exercise 3: Grafgebaseerde entity resolution

Huidige oefening

Exercise 4: Graph RAG evalueren met RAGAS Exercise 5: Een Ragas-evaluatie maken Exercise 6: Context retrieval evalueren met Ragas Exercise 7: Geheugengrafen Exercise 8: Gespreksgeheugen in de grafiek opslaan Exercise 9: Feiten extraheren uit gespreksgeschiedenis Exercise 10: Uitgehaalde gespreksfeiten gebruiken Exercise 11: Gefeliciteerd!