Penerokaan Graf Dikuasakan AI dengan Keupayaan NLP LangChain, Jawapan Soalan Menggunakan Langchain

Pernahkah anda bergelut untuk menulis pertanyaan pangkalan data SQL atau graf yang kompleks? Bagaimana jika anda boleh menerangkan perkara yang anda mahukan dalam bahasa Inggeris biasa dan mendapatkan hasilnya secara langsung? Terima kasih kepada kemajuan dalam pemprosesan bahasa semula jadi, alatan seperti LangChain menjadikan ini bukan sahaja mungkin tetapi sangat intuitif.

Dalam artikel ini, saya akan menunjukkan cara menggunakan Python, LangChain dan Neo4j untuk menanya dengan lancar pangkalan data graf menggunakan bahasa semula jadi. LangChain akan mengendalikan penukaran pertanyaan bahasa semula jadi kepada pertanyaan Cypher, memberikan pengalaman yang diperkemas dan menjimatkan masa.

Apa itu LangChain?

LangChain ialah rangka kerja sumber terbuka yang direka untuk memudahkan penciptaan aplikasi yang menggunakan model bahasa besar (LLM). Sama ada anda sedang membina chatbot, sistem menjawab soalan, ringkasan teks atau alatan untuk menjana pertanyaan pangkalan data, LangChain menyediakan asas yang kukuh.

Dengan memanfaatkan LangChain, pembangun boleh membuat prototaip dengan cepat dan menggunakan aplikasi yang merapatkan jurang antara bahasa semula jadi dan kecerdasan mesin.

Prasyarat

Sebelum kami menyelam, pastikan anda telah memasang Python dan Neo4j pada sistem anda. Jika tidak, anda boleh memasangnya menggunakan sumber di bawah:

• Muat turun Python
• Muat turun Neo4j

Sebagai alternatif, anda boleh menjalankan Neo4j dalam Docker. Berikut ialah arahan untuk berbuat demikian:

Jalankan Neo4j dalam Docker

Menyediakan Persekitaran

Pasang Ketergantungan Python

Pasang perpustakaan Python yang diperlukan dengan menjalankan arahan berikut:

pip install --upgrade --quiet langchain langchain-neo4j langchain-openai langgraph

Muat turun Set Data

Untuk tutorial ini, kami akan menggunakan Set Data Buku Goodreads Dengan Penilaian Pengguna 2J

, yang boleh dimuat turun dari sini.

Muatkan Set Data ke dalam Neo4j

Untuk mengisi pangkalan data graf dengan set data kami, gunakan skrip berikut:

Menyoal Pangkalan Data Graf Menggunakan LangChain Dengan segala-galanya disediakan, kami kini akan menggunakan LangChain untuk menanyakan pangkalan data graf menggunakan bahasa semula jadi. LangChain akan memproses input anda, menukarnya menjadi pertanyaan Cypher dan mengembalikan hasilnya. Untuk demonstrasi ini, kami akan memanfaatkan model

GPT-4o-mini

dan alatan berikut:

<script></script> <script></script> <script></script>

Contoh Pertanyaan

Berikut ialah beberapa contoh pertanyaan dan keputusannya:

Pertanyaan 1: Cari semua buku yang ditulis oleh "J.K. Rowling" dan diterbitkan oleh "Bloomsbury Publishing".

Keputusan:

• Harry Potter and the Sorcerer’s Stone: Penilaian: 4.8, Bahasa: Inggeris
• Harry Potter dan Dewan Rahsia: Penilaian: 4.7, Bahasa: Inggeris

Pertanyaan 2: Siapakah pengarang "The Lord of the Rings"?

Keputusan: Pengarang "The Lord of the Rings" ialah J.R.R. Tolkien.

Pertanyaan 3: Siapakah pengarang "The Power of One"?

Keputusan: Pengarang "The Power of One" ialah Bryce Courtenay.

Pertanyaan 4: Senaraikan buku yang diterbitkan oleh Penguin Books.

Keputusan:
Buku berikut diterbitkan oleh Penguin Books:

1. Tidak Boleh Disentuh - Penilaian: 3.72, Bahasa: Inggeris
2. Ayat Lengkap dan Karut Lain - Penilaian: 4.18, Bahasa: Tidak Tersedia
3. Yang Dikasihi: Renungan di Jalan Hati - Penilaian: 4.19, Bahasa: Bahasa Inggeris
4. Americana - Penilaian: 3.43, Bahasa: Inggeris
5. Great Jones Street - Penilaian: 3.48, Bahasa: Inggeris
6. Gravity’s Rainbow - Penilaian: 4.0, Bahasa: Inggeris
7. City of Glass (The New York Trilogy, #1) - Penilaian: 3.79, Bahasa: Inggeris
8. Ghosts (The New York Trilogy, #2) - Penilaian: 3.64, Bahasa: Inggeris
9. Moon Palace - Penilaian: 3.94, Bahasa: Inggeris
10. Penciptaan Kesendirian: Sebuah Memoir - Penilaian: 3.78, Bahasa: Tidak Tersedia

Mengapa Menggunakan Pertanyaan Bahasa Semulajadi?

Soalan bahasa semula jadi menawarkan banyak kelebihan:

1. Kemudahan Penggunaan: Tidak perlu menghafal bahasa pertanyaan kompleks seperti SQL atau Cypher.
2. Kecekapan: Dapatkan keputusan dengan cepat tanpa menyahpepijat sintaks pertanyaan yang rumit.
3. Kebolehaksesan: Membolehkan pengguna bukan teknikal berinteraksi dengan pangkalan data dengan mudah.

Kesimpulan

LangChain digabungkan dengan Neo4j menunjukkan betapa hebatnya pemprosesan bahasa semula jadi dalam memudahkan interaksi pangkalan data. Pendekatan ini membuka kemungkinan untuk mencipta alatan mesra pengguna seperti chatbots, sistem menjawab soalan dan juga platform analitik.

Jika anda mendapati panduan ini membantu atau mempunyai sebarang soalan, sila kongsikannya dalam ulasan di bawah. Mari teruskan meneroka kemungkinan tanpa had bahasa semula jadi dan teknologi dipacu AI!

Atas ialah kandungan terperinci Penerokaan Graf Dikuasakan AI dengan Keupayaan NLP LangChain, Jawapan Soalan Menggunakan Langchain. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!