【AI大模型应用开发】AI+知识图谱极简入门：手把手带你体验LangChain实现知识图谱创建和查询（附代码和源码分析）-大模型知识库|大模型训练|开箱即用的企业大模型应用平台|智能体开发

文章编号：4730 / 分类：AI资讯 / 更新时间：2024-06-16 09:32:18 / 浏览：次

【AI应用开发】AI+知识图谱极简入门：手把手带你体验实现知识图谱创建和查询（附代码和源码分析）-知识库|训练|开箱即用的企业应用平台|智能体开发 loading="lazy">

53AI知识库

学习大模型的前沿技术与行业应用场景

大家好，我是同学小张，持续学习C++进阶知识和AI大模型应用实战案例，持续分享，欢迎大家点赞+关注，共同学习和进步。

知识图谱是一种结构化的语义知识库，它通过图的形式存储和表示实体（如人、地点、组织等）以及实体之间的关系（如人物关系、地理位置关系等）。知识图谱通常用于增强搜索引擎的语义理解能力，提供更丰富的信息和更准确的搜索结果。

知识图谱的主要特点包括：

1. **实体(Entity)**：知识图谱中的基本单元，代表现实世界中的一个对象或概念。

2. **关系(Relation)**：实体之间的联系，如“属于”、“位于”、“创立者”等。

3. **属性(Attribute)**：实体所具有的描述性信息，如人的年龄、地点的经纬度等。

4. **图结构(Graph Structure)**：知识图谱以图的形式组织数据，包含节点（实体）和边（关系）。

5. **语义网络(SEMantic Network)**：知识图谱可以视为一种语义网络，其中的节点和边都具有语义含义。

6. **推理(Inference)**：知识图谱可以用于推理，即通过已知的实体和关系推导出新的信息。

知识图谱在搜索引擎优化(SEO)、推荐系统、自然语言处理(NLP)、数据挖掘等领域有广泛的应用。例如，Google的Knowledge Graph、Wikidata、DBpedia等都是著名的知识图谱实例。

知识图谱作为一种数据组织形式，其意义在于提供了一种高效、直观的方式来表示和管理复杂的数据关系。它通过图结构的节点和边，将数据以结构化的形式展现，增强了数据的语义表达能力，使得实体间的关系清晰明确。知识图谱显著提升了信息检索的准确性，尤其在自然语言处理领域，它使得机器能够更好地理解和回应复杂的用户查询。知识图谱在智能应用中发挥着核心作用，如推荐系统、智能问答等。

枯燥的介绍之后，下面我们来看下RAG+知识图谱的案例，亲自动手实现一下。

以下案例来自LangChain的官方文档：https://Python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#refresh-graph-schema-information

（1）首先需要安装一个图数据库，这里我们使用neo4j。

创建完一个在线的数据库实例之后，页面如下：

现在就可以在代码中使用这个数据库了。

（1）在创建完数据库实例之后，你应该会得到该数据的链接、用户名和密码，老规矩，放到环境变量中，然后通过Python加载环境变量：

LangChain中封装了neo4j的接口，我们只需要导入Neo4jGraph类即可使用。

可以利用 query 接口进行查询，并返回结果。查询语句的语言是 Cypher 查询语言。

result = graph.query( """MERGE (m:Movie {name:"Top Gun", runtime: 120})WITH mUNWIND ["Tom Cruise", "Val Kilmer", "Anthony Edwards", "Meg Ryan"] AS actorMERGE (a:Actor {name:actor})MERGE (a)-[:ACTED_IN]->(m)""")print(result)# 输出：[]

以上代码输出的是 []。

（4）刷新图的架构信息

graph.refresh_schema()print(graph.schema)

从结果来看，schema包含了节点的类型、属性以及类型之间的关系等信息，是图的架构。

（5）图数据库中有了数据，接下来我们就可以进行查询了。

LangChain中封装了GraphCypherQAChain类，可以方便地使用图数据库进行查询。如下代码：

先将自然语言（Who played in Top Gun?）通过大模型转换成了图查询语句，然后通过neo4j执行查询语句，返回结果，最后通过大模型转换成自然语言输出给用户。

以上代码，我们使用了LangChain的GraphCypherQAChain类，这是LangChain提供的图数据库查询和问答Chain。它有很多的参数可以设置，比如使用 exclude_types 来设置忽略哪些节点类型或关系：

Node properties are the following:Actor {name: STRING}Relationship properties are the following:The relationships are the following:

类似还有很多参数可用，可以参考官方文档：https://python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#use-separate-llms-for-cypher-and-answer-generation

下面是GraphCypherQAChain的执行源码，简单看下其执行过程。

（1）cypher_generation_chain: 自然语言到图查询语句的转换。

（2）extract_cypher: 取出查询语句，这里是因为大模型可能返回一些额外的说明信息，需要去除。

（4）graph.query: 执行查询语句，查询图数据库，获取内容

（5）self.qa_chain: 根据原始问题和查询的内容，再次利用大模型组织答案，用自然语言输出给用户。

• 大家好，我是 同学小张，日常分享AI知识和实战案例

• 欢迎 点赞 + 关注 ?，持续学习，持续干货输出。

• +v: jasper_8017 一起交流?，一起进步?。

公众号内文章一览

53AI，大模型落地应用首选服务商

定位：开箱即用的大模型落地应用平台

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

微软技术社区：做RAG？向量搜索还不够

全球首个开源AIGC数字人模型免费使用，手机端可跑！

如何让AI基于超长文档进行问答？

翻车了？这才是真正的SD3！

Omost！让AI大模型代写AI绘画提示词

《构建和评估高级RAG》: RAG评估要素和方法

Translation Agent 引领智能翻译新方向

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

与创始人交个朋友

-->广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

-->