Grafy dziedzinowe

Graph RAG z LangChain i Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Grafy dziedzinowe

diagram grafu wiedzy przedstawiający po lewej stronie graf leksykalny z książką, rozdziałami i stronami, a po prawej osoby i firmy z tej książki oraz odniesienia z innych źródeł, w tym z Wikipedii

Od grafów leksykalnych do dziedzinowych

Tekst piosenki „Don't Stop Believing" zespołu Journey

Od grafów leksykalnych do dziedzinowych

Tekst piosenki „Don't Stop Believing" zespołu Journey z wyróżnionym „Small Town Boy" jako osobą

Od grafów leksykalnych do dziedzinowych

Tekst piosenki „Don't Stop Believing" zespołu Journey z wyróżnionym „South Detroit" jako miejscem

Od grafów leksykalnych do dziedzinowych

Tekst piosenki „Don't Stop Believing" zespołu Journey z wyróżnionym „Born" jako relacją między węzłem osoby „Small Town Boy" a węzłem miejsca „South Detroit"

Od grafów leksykalnych do dziedzinowych

Tekst piosenki „Don't Stop Believing" zespołu Journey z wyróżnionym „Raised" jako relacją między węzłem osoby „Small Town Boy" a węzłem miejsca „South Detroit"

Przykładowy graf dziedzinowy

Przykładowy graf dziedzinowy: osoba pracuje w firmie znajdującej się pod określonym adresem, posiada kartę kredytową powiązaną ze złożonym zamówieniem w firmie w tej samej lokalizacji

Ustrukturyzowane odpowiedzi

from pydantic import BaseModel, Field

from typing import Optional


class Character(BaseModel):
    """A character from the play."""

    id: str = Field(description="A unique identifier for the character in slug-case",

                    examples=["montague-romeo", "tybalt"])

    name: str = Field(description="The full name of the character", 
                    examples=["Romeo", "Tybalt"])

    family: Optional[str] = Field(description="The name of the family they belong to", 
                    examples=["Montague", "Capulet"])


class CharacterOutput(BaseModel):
    characters: list[Character] = Field(description="A list of characters")

Korzystanie z ustrukturyzowanych odpowiedzi

from langchain.chat_models import init_chat_model
llm = init_chat_model("gpt-4o-mini", model_provider="openai", api_key="...")


# With a structured output
character_model = llm.with_structured_output(CharacterOutput)


# Use within a chain
chain = extraction_prompt | character_model


# Handle the response
output = chain.invoke(...)

CharacterOutput(characters=[Character, Character, Character...])

Zapisywanie encji

nodes = [

  Node(

      type="Character",

      id=character.id,

      properties={"name": character.name, "family": character.family}

  )

  for character in output.characters

]



# Build a GraphDocument
graph_document = GraphDocument(nodes=nodes, relationships=[])


# Save to the graph
graph.add_graph_documents([graph_document])

Czas na praktykę!

Graph RAG z LangChain i Neo4j