Dela upp pjäsen i akter

Att konvertera ostrukturerad text till hierarkiska lexikala grafer är en iterativ process där du bygger delare för varje lexikal enhet och sedan delar upp texten i tur och ordning.

I den här övningen utformar du en delare som delar upp pjäsen Romeo och Julia i akter. Här är en förhandstitt på pjäsens struktur:

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...
...

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

Övningsinstruktioner

Uppdatera argumentet splitters så att texten även delas på mönstret \n\nACT.
Konfigurera act_splitter så att listan separators behandlas som reguljära uttryck.
Dela upp romeo_and_juliet med hjälp av act_splitter.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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])

Redigera och kör kod

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Lär dig hur Graph RAG kan förbättra noggrannheten och tillförlitligheten hos RAG-applikationer! Lagra information som noder och kanter i en Neo4j-databas och ge din LLM förmågan att söka i den – så att den kan hämta entitets- och relationsinformation och ge välgrundade svar.

Exercise 1: Grafer och RAG Exercise 2: Skapa noder Exercise 3: Skapa relationer Exercise 4: Spara grafdokument Exercise 5: Fråga en kunskapsgraf Exercise 6: Skriva Cypher-satser Exercise 7: Köra Cypher-satser Exercise 8: MERGE-satsen Exercise 9: Text-till-Cypher Graph RAG med Neo4j Exercise 10: Bygg en text-till-Cypher-kedja Exercise 11: Text-till-Cypher-hämtningskedja

Text-till-Cypher-applikationer fungerar bra i många situationer, men det finns utrymme att göra ännu mer! Lär dig att bygga grafdatabaser med olika grafmodeller, däribland lexikala grafer och domängrafer. Skapa Neo4j-vektorindex så att du kan kombinera det bästa från två världar och köra graf- och vektorsökning samtidigt!

Exercise 1: Lexicala grafer Exercise 2: Element i en lexikal graf Exercise 3: Dela upp pjäsen i akter

Aktuell övning

Exercise 4: Skapa en hierarkisk lexikal graf Exercise 5: Kombinera lexikala grafer med vektorsökning Exercise 6: Skapa textbitar Exercise 7: Skapa ett vektorindex Exercise 8: Domängrafar Exercise 9: Skapa ett strukturerat utdata Exercise 10: Begära strukturerade utdata Exercise 11: Ange few-shot-exempel Exercise 12: Bygga en hybrid hämtningskedja Exercise 13: Körbara lambdas Exercise 14: Tilldela ytterligare värden till en input Exercise 15: Den sista länken i kedjan

Även om Graph RAG-applikationer generellt sett är mer tillförlitliga än vektor-RAG är de inte helt felfria. I det här kapitlet lär du dig att utvärdera dina Graph RAG-applikationer, identifiera felaktiga eller duplicerade grafnoder samt integrera långtidsminne så att användarpreferenser kan läras in över tid.

Exercise 1: Entitetsupplösning Exercise 2: Använda extraherade entiteter Exercise 3: Grafbaserad entitetsupplösning Exercise 4: Utvärdera Graph RAG med RAGAS Exercise 5: Skapa en Ragas-utvärdering Exercise 6: Utvärdera kontexthämtning med Ragas Exercise 7: Minnesgrafar Exercise 8: Spara konversationsminne i grafen Exercise 9: Extrahera fakta från konversationshistorik Exercise 10: Använd extraherade konversationsfakta Exercise 11: Grattis!