知识图谱构建实战：GraphRAG与Neo4j的结合之道

发布日期：2024-08-22 12:18:43 浏览次数： 3567

作者：我码玄黄

微信搜一搜，关注“我码玄黄”

前言

我们在前面讲解 GraphRag 从原始文本中提取知识图谱和构建图结构的时候，最后存储的文件是parquet 格式，文件存储在下面文件夹：

这节我们就探索一下怎么将我们生成好的图谱文件导入到我们的 Neo4j 图数据库，最后进行可视化分析，也能和我们之前的项目混合检索结合起来。

一、准备工作

新建一个 python 脚本文件，比如 graphrag_import.py 可以放在项目的根目录，这里可以随便选择，然后设置我们GraphRAG 生成的图谱文件目录：

  GRAPHRAG_FOLDER="artifacts"

安装 neo4j ，如果前面安装过，可以忽略:

  pip install --upgrade --quiet neo4j

导入我们需要的库：

import pandas as pd
from neo4j import GraphDatabase
import time

设置我们的 Neo4j 图库地址，账户密码，以及要导入的数据库名字：

NEO4J_URI="bolt://********:7687"
NEO4J_USERNAME="neo****"
NEO4J_PASSWORD="*****"
NEO4J_DATABASE="****"
driver = GraphDatabase.driver(NEO4J_URI, auth=(NEO4J_USERNAME, NEO4J_PASSWORD))

下载一个语料数据集，https://www.gutenberg.org/cache/epub/24022/pg24022.txt 。

根目录新建 /ragtest/input 空文件，然后把下载好的语料文件放入 input 下面。

二、创建约束

定义一个批处理方法，使用批处理方法将数据导入 Neo4j 。

参数：statement 是要执行的 Cypher 查询，df 是要导入的数据框，batch_size 是每批要导入的行数。

def batched_import(statement, df, batch_size=1000):
    total = len(df)
    start_s = time.time()
    for start in range(0,total, batch_size):
        batch = df.iloc[start: min(start+batch_size,total)]
        result = driver.execute_query("UNWIND $rows AS value " + statement,
                                      rows=batch.to_dict('records'),
                                      database_=NEO4J_DATABASE)
        print(result.summary.counters)
    print(f'{total} rows in { time.time() - start_s} s.')
    return total

Neo4j 中的索引用于查找图形查询的起点，例如快速找到要连接的两个节点。

为了避免重复，我们主要在实体类型的 ID 上创建约束。

我们使用一些类型作为标记，前后带有两个下划线，以将它们与实际实体类型区分开来。

这些标签（如 __Entity__ , __Document__, __Chunk__, __Community__, __Covariate__）通常用于标识不同类型的节点。

标签本身没有固定的意义，它们的意义完全取决于你的数据模型和应用程序如何使用它们。

Entity__` 通常代表一个实体（ `Entity` ），可能是现实世界中的某个对象、人物、地点或其他可识别的对象。比如，在一个知识图谱中，`__Entity 可能代表“公司”、“人物”等。
Document__` 可以是一个特殊类型的节点，代表一个文档（Document）或文件，通常是文本数据的容器。比如，在文档分析或文本挖掘的场景中，`__Document 可能指代一本书、一篇文章、一份报告等。
Chunk__` (块)表示文档的某个片段或块（`Chunk`），在图数据库上下文中，这可能指的是数据的一个片段或部分，通常用于文本分块处理。例如，在自然语言处理任务中，文档可能被拆分成句子、段落或者更小的片段，这些片段可能被标记为 `__Chunk。
Community__` 这个标签表示一个社区（`Community`），通常用于表示图结构中的聚类或群体。例如，在社交网络分析中，`__Community 可能表示具有共同兴趣的用户群体，或者在知识图谱中表示相互关联的实体群组。
Covariate__` 这个标签可能代表协变量（`Covariate`），即与其他变量一起在统计模型中使用的变量。在一些机器学习或统计模型中，`__Covariate 可能表示影响或关联其他数据点的属性或特征

下面是一个简单的neo4j查询语句：

MATCH (e:Entity)-[:CONTAINS]->(d:Document)
WHERE e.type = 'Community' AND d.covariate = 'SomeValue'
RETURN e, d

这个查询查找类型为"Community"的实体，这些实体包含具有特定协变量值的文档。

需要注意的是，这些术语的确切用法可能因具体的数据模型和应用场景而异。

在使用 Neo4j 时，重要的是根据您的特定需求来设计和实现数据模型。

关于 Neo4j 的查询部分，后面再细说。

创建一个约束（constraint）：

statements = """
create constraint chunk_id if not exists for (c:__Chunk__) require c.id is unique;
create constraint document_id if not exists for (d:__Document__) require d.id is unique;
create constraint entity_id if not exists for (c:__Community__) require c.community is unique;
create constraint entity_id if not exists for (e:__Entity__) require e.id is unique;
create constraint entity_title if not exists for (e:__Entity__) require e.name is unique;
create constraint entity_title if not exists for (e:__Covariate__) require e.title is unique;
create constraint related_id if not exists for ()-[rel:RELATED]->() require rel.id is unique;
""".split(";")
for statement in statements:
    if len((statement or "").strip()) > 0:
        print(statement)
        driver.execute_query(statement)

通过字符串 split 函数将字符串分割成数组，然后执行循环取值，最后交给 Neo4j 执行。

这个创建约束的语句具体含义是：为所有标签为 __Chunk__ 的节点创建一个约束，要求它们的 id 属性必须是唯一的。

如果这个约束已经存在，则不会重复创建。

执行成功，可以看到结果下面是这样：

三、导入文档

我们现在需要加载文档的 parquet 文件，使用 Python 的 pandas 库来读取和处理数据，然后使用其 id 创建节点并添加 title 属性。

我们不需要存储 text_unit_ids，因为我们可以创建关系，并且文本内容也包含在块中，如下面所示。

doc_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_documents.parquet', columns=["id", "title"])
doc_df.head(2)

执行它：

导入文档到图数据库：

# import documents
statement = """
MERGE (d:__Document__ {id:value.id})
SET d += value {.title}
"""
batched_import(statement, doc_df)

得到结果：

然后我们加载文本单元，为每个 id 创建一个节点并设置文本和标记数量。

然后我们将它们连接到我们之前创建的文档。

text_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_text_units.parquet',
                          columns=["id","text","n_tokens","document_ids"])
text_df.head(2)

得到下面结果：

导入文本单元到图数据库：

statement = """
MERGE (c:__Chunk__ {id:value.id})
SET c += value {.text, .n_tokens}
WITH c, value
UNWIND value.document_ids AS document
MATCH (d:__Document__ {id:document})
MERGE (c)-[:PART_OF]->(d)
"""
batched_import(statement, text_df)

这段 cypher 的含义是创建或更新一个 __Chunk__ 节点，设置其属性。

对于与这个 Chunk 相关的每个Document ：找到对应的 __Document__ 节点。

创建一个从 __Chunk__ 到 __Document__ 的 PART_OF 关系。

运行结果：

加载实体：

entity_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_entities.parquet',
                            columns=["name","type","description","human_readable_id","id","description_embedding","text_unit_ids"])
entity_df.head(2)

运行结果：

导入实体：

entity_statement = """
MERGE (e:__Entity__ {id:value.id})
SET e += value {.human_readable_id, .description, name:replace(value.name,'"','')}
WITH e, value
CALL db.create.setNodeVectorProperty(e, "description_embedding", value.description_embedding)
CALL apoc.create.addLabels(e, case when coalesce(value.type,"") = "" then [] else [apoc.text.upperCamelCase(replace(value.type,'"',''))] end) yield node
UNWIND value.text_unit_ids AS text_unit
MATCH (c:__Chunk__ {id:text_unit})
MERGE (c)-[:HAS_ENTITY]->(e)
"""
batched_import(entity_statement, entity_df)

运行结果：

加载关系:

rel_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_relationships.parquet',
                         columns=["source","target","id","rank","weight","human_readable_id","description","text_unit_ids"])
rel_df.head(2)

导入关系：

  rel_statement = """
    MATCH (source:__Entity__ {name:replace(value.source,'"','')})
    MATCH (target:__Entity__ {name:replace(value.target,'"','')})
    // not necessary to merge on id as there is only one relationship per pair
    MERGE (source)-[rel:RELATED {id: value.id}]->(target)
    SET rel += value {.rank, .weight, .human_readable_id, .description, .text_unit_ids}
    RETURN count(*) as createdRels
"""
batched_import(rel_statement, rel_df)

运行结果：

加载社区：

community_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_communities.parquet',
                     columns=["id","level","title","text_unit_ids","relationship_ids"])
community_df.head(2)

运行结果：

导入社区：

statement = """
MERGE (c:__Community__ {community:value.id})
SET c += value {.level, .title}
/*
UNWIND value.text_unit_ids as text_unit_id
MATCH (t:__Chunk__ {id:text_unit_id})
MERGE (c)-[:HAS_CHUNK]->(t)
WITH distinct c, value
*/
WITH *
UNWIND value.relationship_ids as rel_id
MATCH (start:__Entity__)-[:RELATED {id:rel_id}]->(end:__Entity__)
MERGE (start)-[:IN_COMMUNITY]->(c)
MERGE (end)-[:IN_COMMUNITY]->(c)
RETURN count(distinct c) as createdCommunities
"""
batched_import(statement, community_df)

运行结果：

加载社区报告：

community_report_df = pd.read_parquet(f'{GRAPHRAG_FOLDER}/create_final_community_reports.parquet',
                               columns=["id","community","level","title","summary", "findings","rank","rank_explanation","full_content"])
community_report_df.head(2)

运行结果：

导入社区报告：

# import communities
community_statement = """
MERGE (c:__Community__ {community:value.community})
SET c += value {.level, .title, .rank, .rank_explanation, .full_content, .summary}
WITH c, value
UNWIND range(0, size(value.findings)-1) AS finding_idx
WITH c, value, finding_idx, value.findings[finding_idx] as finding
MERGE (c)-[:HAS_FINDING]->(f:Finding {id:finding_idx})
SET f += finding
"""
batched_import(community_statement, community_report_df)

运行结果：