องค์ประกอบของ Lexical Graph

ไดอะแกรมแสดงกราฟที่ประกอบด้วยองค์ประกอบจาก lexical graph ผสมกับ entity ที่ดึงมาจากข้อความต้นฉบับ

เลือก entity จากรายการที่เป็นส่วนหนึ่งของ lexical graph

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Graph RAG ด้วย LangChain และ Neo4j

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Graph RAG ด้วย LangChain และ Neo4j

SkillTag.level.advancedSkillTag.label

4.8+

เริ่มคอร์สฟรี

เรียนรู้ว่า Graph RAG ช่วยเพิ่มความแม่นยำและความน่าเชื่อถือของแอปพลิเคชัน RAG ได้อย่างไร จัดเก็บข้อมูลเป็น node และ edge ใน Neo4j database แล้วให้ LLM สามารถค้นหาข้อมูลเชิง entity และ relationship เพื่อนำมาตอบคำถามได้อย่างถูกต้อง

Exercise 1: กราฟและ RAG Exercise 2: การสร้างโหนด Exercise 3: การสร้างความสัมพันธ์Exercise 4: การบันทึก graph documents Exercise 5: การสืบค้น Knowledge Graph Exercise 6: การเขียน Cypher statements Exercise 7: การรัน Cypher Statement Exercise 8: clause MERGE Exercise 9: Text-to-Cypher Graph RAG กับ Neo4j Exercise 10: การสร้าง text-to-Cypher chain Exercise 11: Text-to-Cypher retrieval chain

แอปพลิเคชัน Text-to-Cypher ทำงานได้ดีในหลายสถานการณ์ แต่เราสามารถทำได้ดีกว่านั้น! มาเรียนรู้การสร้าง graph database โดยใช้ graph model รูปแบบต่าง ๆ ทั้ง lexical graph และ domain graph รวมถึงการสร้าง Neo4j vector index เพื่อให้ได้ประโยชน์จากทั้งสองโลก นั่นคือการค้นหาด้วย graph และ vector พร้อมกัน

Exercise 1: Lexical graph Exercise 2: องค์ประกอบของ Lexical Graph

แบบฝึกหัดปัจจุบัน

Exercise 3: การแบ่งบทละครออกเป็น Acts Exercise 4: การสร้าง Lexical Graph แบบลำดับชั้น Exercise 5: การผสานกราฟ Lexical เข้ากับการค้นหาด้วยเวกเตอร์Exercise 6: การสร้าง text chunk Exercise 7: การสร้าง Vector Index Exercise 8: Domain graph Exercise 9: การสร้าง structured output Exercise 10: การขอ structured output Exercise 11: การระบุตัวอย่าง Few-Shot Exercise 12: การสร้าง Hybrid Retrieval Chain Exercise 13: Runnable lambdas Exercise 14: การกำหนดค่าเพิ่มเติมให้กับ input Exercise 15: ลิงก์สุดท้ายในเชน

แม้ว่าแอปพลิเคชัน Graph RAG จะมีความน่าเชื่อถือสูงกว่า vector RAG แต่ก็ไม่ได้สมบูรณ์แบบเสมอไป ในบทนี้ คุณจะได้เรียนรู้วิธีประเมินแอปพลิเคชัน Graph RAG ตรวจจับ graph node ที่ผิดพลาดหรือซ้ำกัน และเพิ่มความสามารถด้านหน่วยความจำระยะยาวเพื่อให้ระบบเรียนรู้ความชอบของผู้ใช้ได้เมื่อเวลาผ่านไป

Exercise 1: Entity Resolution Exercise 2: การใช้งาน Entity ที่ดึงออกมา Exercise 3: การแก้ไข Entity ด้วยกราฟ Exercise 4: การประเมิน Graph RAG ด้วย RAGAS Exercise 5: การสร้างการประเมินด้วย Ragas Exercise 6: ประเมินการดึงข้อมูล context ด้วย Ragas Exercise 7: Memory Graphs Exercise 8: บันทึกหน่วยความจำการสนทนาลงในกราฟ Exercise 9: การดึงข้อเท็จจริงจากประวัติการสนทนา Exercise 10: การนำข้อเท็จจริงที่ดึงจากบทสนทนามาใช้งาน Exercise 11: ยินดีด้วย!