Skip to main content
Diffbot 是一套基于机器学习的产品，可轻松对网络数据进行结构化处理。 Diffbot 的自然语言处理 API 支持从非结构化文本数据中提取实体、关系和语义含义。 Open In Colab

​
使用场景

文本数据通常包含丰富的关系和洞察，可用于各种分析、推荐引擎或知识管理应用。 通过将 Diffbot 的 NLP API 与图数据库 Neo4j 结合使用，您可以基于从文本中提取的信息创建强大的动态图结构。这些图结构完全可查询，并可集成到各种应用中。 这种组合支持以下使用场景：
  • 从文本文档、网站或社交媒体数据流构建知识图谱（如 Diffbot 的知识图谱）。
  • 基于数据中的语义关系生成推荐。
  • 创建能够理解实体间关系的高级搜索功能。
  • 构建允许用户探索数据中隐藏关系的分析仪表板。

​
概述

LangChain 提供与图数据库交互的工具：
  1. 使用图转换器和存储集成从文本构建知识图谱
  2. 使用链进行查询创建和执行查询图数据库
  3. 使用智能体进行稳健灵活的查询与图数据库交互

​
环境准备

首先，安装所需包并设置环境变量： 
pip install -qU  langchain langchain-experimental langchain-openai langchain-neo4j neo4j wikipedia

​
Diffbot NLP API

Diffbot 的 NLP API 是一款从非结构化文本数据中提取实体、关系和语义上下文的工具。 提取的信息可用于构建知识图谱。 要使用该 API，您需要从 Diffbot 获取免费 API 令牌。 
from langchain_experimental.graph_transformers.diffbot import DiffbotGraphTransformer

diffbot_api_key = "DIFFBOT_KEY"
diffbot_nlp = DiffbotGraphTransformer(diffbot_api_key=diffbot_api_key)
此代码获取关于”Warren Buffett”的 Wikipedia 文章，然后使用 DiffbotGraphTransformer 提取实体和关系。 DiffbotGraphTransformer 输出结构化数据 GraphDocument，可用于填充图数据库。 注意：由于 Diffbot 的每次 API 请求字符限制，应避免文本分块。 
from langchain_community.document_loaders import WikipediaLoader

query = "Warren Buffett"
raw_documents = WikipediaLoader(query=query).load()
graph_documents = diffbot_nlp.convert_to_graph_documents(raw_documents)

​
将数据加载到知识图谱

您需要一个正在运行的 Neo4j 实例。一种选择是在 Aura 云服务中创建免费 Neo4j 数据库实例。您也可以使用 Neo4j Desktop 应用程序在本地运行数据库，或运行 Docker 容器。可以通过执行以下脚本在本地运行 Docker 容器： 
docker run \
    --name neo4j \
    -p 7474:7474 -p 7687:7687 \
    -d \
    -e NEO4J_AUTH=neo4j/password \
    -e NEO4J_PLUGINS=\[\"apoc\"\]  \
    neo4j:latest
如果您使用 Docker 容器，需要等待几秒钟让数据库启动。 
from langchain_neo4j import Neo4jGraph

url = "bolt://localhost:7687"
username = "neo4j"
password = "password"

graph = Neo4jGraph(url=url, username=username, password=password)
可以使用 add_graph_documents 方法将 GraphDocuments 加载到知识图谱中。 
graph.add_graph_documents(graph_documents)

​
刷新图模式信息

如果数据库的模式发生变化，您可以刷新生成 Cypher 语句所需的模式信息 
graph.refresh_schema()

​
查询图

现在我们可以使用图 Cypher QA 链向图提问。建议使用 gpt-4 构建 Cypher 查询以获得最佳体验。 
from langchain_neo4j import GraphCypherQAChain
from langchain_openai import ChatOpenAI

chain = GraphCypherQAChain.from_llm(
    cypher_llm=ChatOpenAI(temperature=0, model_name="gpt-4"),
    qa_llm=ChatOpenAI(temperature=0, model_name="gpt-3.5-turbo"),
    graph=graph,
    verbose=True,
    allow_dangerous_requests=True,
)

chain.run("Which university did Warren Buffett attend?")

> Entering new GraphCypherQAChain chain...
Generated Cypher:
MATCH (p:Person {name: "Warren Buffett"})-[:EDUCATED_AT]->(o:Organization)
RETURN o.name
Full Context:
[{'o.name': 'New York Institute of Finance'}, {'o.name': 'Alice Deal Junior High School'}, {'o.name': 'Woodrow Wilson High School'}, {'o.name': 'University of Nebraska'}]

> Finished chain.

'Warren Buffett attended the University of Nebraska.'

chain.run("Who is or was working at Berkshire Hathaway?")

> Entering new GraphCypherQAChain chain...
Generated Cypher:
MATCH (p:Person)-[r:EMPLOYEE_OR_MEMBER_OF]->(o:Organization) WHERE o.name = 'Berkshire Hathaway' RETURN p.name
Full Context:
[{'p.name': 'Charlie Munger'}, {'p.name': 'Oliver Chace'}, {'p.name': 'Howard Buffett'}, {'p.name': 'Howard'}, {'p.name': 'Susan Buffett'}, {'p.name': 'Warren Buffett'}]

> Finished chain.

'Charlie Munger, Oliver Chace, Howard Buffett, Susan Buffett, and Warren Buffett are or were working at Berkshire Hathaway.'
在 GitHub 上编辑此页面 或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等工具，获取实时解答。