Podział sztuki na akty

Przekształcanie nieustrukturyzowanego tekstu w hierarchiczne leksykalne grafy to proces iteracyjny — polega na tworzeniu splitterów dla każdej jednostki leksykalnej, a następnie kolejnym dzieleniu tekstu przy użyciu każdego z nich.

W tym ćwiczeniu zaprojektujesz splitter, który podzieli sztukę Romeo i Julia na akty. Oto podgląd struktury tekstu:

The Project Gutenberg eBook of Romeo and Juliet
This ebook is for the use of anyone anywhere in the United States...

**PROLOGUE:**

 Enter Chorus.

CHORUS.
Two households, both alike in dignity...

ACT I

SCENE I. A public place.
 Enter Sampson and Gregory armed with swords and bucklers.

SAMPSON.
Gregory, on my word, we'll not carry coals...
...

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

Instrukcje do ćwiczenia

Zaktualizuj argument splitters, aby tekst był dzielony również według wzorca \n\nACT.
Skonfiguruj act_splitter tak, aby traktował listę separators jako wyrażenia regularne.
Podziel romeo_and_juliet przy użyciu act_splitter.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

act_splitter = RecursiveCharacterTextSplitter(
  separators=[ 
    r"\n\nTHE PROLOGUE.",
    r"\n\n\*\*\* END",
    # Split by the word ACT
    r"____"
  ],
  # Configure the patterns as regular expressions
  ____=True
)

# Split the play using act_splitter
acts = act_splitter.____(____)

for act in acts:
  print(act.strip().split("\n")[0])

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Graph RAG z LangChain i Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznaj Graph RAG i sprawdź, jak poprawia dokładność oraz niezawodność aplikacji RAG! Przechowuj informacje jako węzły i krawędzie w bazie Neo4j, a następnie daj swojemu dużemu modelowi językowemu możliwość odpytywania bazy — aby pobierał informacje o encjach i relacjach i udzielał trafnych odpowiedzi.

Exercise 1: Grafy i RAG Exercise 2: Tworzenie węzłów Exercise 3: Tworzenie relacji Exercise 4: Zapisywanie dokumentów grafu Exercise 5: Odpytywanie grafu wiedzy Exercise 6: Pisanie zapytań w Cypher Exercise 7: Wykonywanie instrukcji Cypher Exercise 8: Klauzula MERGE Exercise 9: Graph RAG z Neo4j: od tekstu do Cypher Exercise 10: Budowanie łańcucha text-to-Cypher Exercise 11: Łańcuch pobierania danych text-to-Cypher

Aplikacje text-to-Cypher sprawdzają się w wielu sytuacjach, ale możemy zrobić jeszcze więcej! Odkryj, jak budować bazy grafowe przy użyciu różnych modeli grafowych — w tym grafów leksykalnych i dziedzinowych. Twórz indeksy wektorowe w Neo4j, by korzystać z zalet obu podejść i uruchamiać wyszukiwanie grafowe oraz wektorowe jednocześnie!

Exercise 1: Grafy leksykalne Exercise 2: Elementy grafu leksykalnego Exercise 3: Podział sztuki na akty

Bieżące ćwiczenie

Exercise 4: Tworzenie hierarchicznego grafu leksykalnego Exercise 5: Łączenie grafów leksykalnych z wyszukiwaniem wektorowym Exercise 6: Tworzenie fragmentów tekstu Exercise 7: Tworzenie indeksu wektorowego Exercise 8: Grafy domenowe Exercise 9: Tworzenie strukturalnego wyjścia Exercise 10: Żądanie ustrukturyzowanego wyjścia Exercise 11: Podawanie przykładów few-shot Exercise 12: Tworzenie hybrydowego łańcucha pobierania danych Exercise 13: Uruchamialne funkcje lambda Exercise 14: Przypisywanie dodatkowych wartości do wejścia Exercise 15: Ostatnie ogniwo łańcucha

Choć aplikacje Graph RAG są na ogół bardziej niezawodne niż wektorowy RAG, nie są bezbłędne. W tym rozdziale nauczysz się oceniać aplikacje Graph RAG, wykrywać nieprawidłowe lub zduplikowane węzły grafu oraz integrować pamięć długoterminową, dzięki której model będzie uczyć się preferencji użytkownika z biegiem czasu.

Exercise 1: Rozwiązywanie konfliktów encji Exercise 2: Wykorzystywanie wyodrębnionych encji Exercise 3: Rozwiązywanie konfliktów encji na podstawie grafu Exercise 4: Ocena Graph RAG za pomocą RAGAS Exercise 5: Tworzenie ewaluacji w Ragas Exercise 6: Ocena pobierania kontekstu za pomocą Ragas Exercise 7: Grafy pamięci Exercise 8: Zapisywanie pamięci konwersacji w grafie Exercise 9: Ekstrakcja faktów z historii konwersacji Exercise 10: Korzystanie z wyodrębnionych faktów z rozmowy Exercise 11: Gratulacje!