Grafbaserad entitetsupplösning

Nej då! Trots ett välformulerat prompt, few-shot-exempel och korsade fingrar har LLM:en ändå hittat på en karaktär vid namn Romeo Capulet och tilldelat honom några repliker i databasen.

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

Tur då att du kan använda relationerna i kunskapsgrafen för att avgöra om den här noden troligtvis är ett oavsiktligt duplikat av en annan nod med namnet Romeo Montague.

Cypher-satsen similarity_cypher använder relationerna MEMBER_OF och INTERACTS_WITH för att beräkna ett godtyckligt likhetspoäng med följande egenskaper:

Villkor	Cypher	Poängmodifierare
En `MEMBER_OF`-relation till samma familj	`af = bf`	`+1`
Samma name-egenskap	`a.name = b.name`	`+2`
Andel karaktärer som både `a` och `b` interagerar med	`size(inCommon) / size(aInteractsWith)`	Multipliceras med andelen av `b` som `a` interagerar med

Baserat på din domänkunskap vet du att ett poäng på 2 indikerar en stark korrelation.

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

Övningsinstruktioner

Fråga graph med Cypher-frågan (similarity_cypher) för att beräkna likhetspoäng mellan "romeo-capulet" och de övriga karaktärsnoderna.
Extrahera "bId", "bFamily" och "score", i den ordningen, från varje row i results.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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['____'])

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 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

Aktuell övning

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!