使用Llama Index创建和查询知识图谱_llamaindex的知识图谱检索

前言

创建知识图谱通常涉及到专业的复杂任务，但通过利用Llama Index（LLM）、KnowledgeGraphIndex和GraphStore，我们可以从任何Llama Hub支持的数据源中创建一个相对高效的知识图谱。此外，查询知识图谱通常需要与存储系统相关的特定领域知识（如Cypher），但在LLM和LlamaIndex KnowledgeGraphQueryEngine的帮助下，我们可以用自然语言来完成这些任务！

本文将演示以下步骤：

1. 使用Llama Index提取和设置知识图谱
2. 使用Cypher查询知识图谱
3. 使用自然语言查询知识图谱

环境准备

安装Llama Index

%pip install llama-index-readers-wikipedia
%pip install llama-index-llms-azure-openai
%pip install llama-index-graph-stores-nebula
%pip install llama-index-llms-openai
%pip install llama-index-embeddings-azure-openai
%pip install llama-index
1
2
3
4
5
6

配置OpenAI

import os
import logging
import sys
from llama_index.llms.openai import OpenAI
from llama_index.core import Settings

os.environ["OPENAI_API_KEY"] = "sk-..."  # 使用实际的API密钥

logging.basicConfig(stream=sys.stdout, level=logging.INFO)  # 调试级别输出

# 定义LLM
Settings.llm = OpenAI(temperature=0, model="gpt-3.5-turbo")
Settings.chunk_size = 512
1
2
3
4
5
6
7
8
9
10
11
12
13

配置Azure OpenAI

from llama_index.llms.azure_openai import AzureOpenAI
from llama_index.embeddings.azure_openai import AzureOpenAIEmbedding

# Azure OpenAI配置
api_key = "<api-key>"
azure_endpoint = "https://<your-resource-name>.openai.azure.com/"
api_version = "2023-07-01-preview"

llm = AzureOpenAI(
    model="gpt-35-turbo-16k",
    deployment_name="my-custom-llm",
    api_key=api_key,
    azure_endpoint=azure_endpoint,
    api_version=api_version,
)

embed_model = AzureOpenAIEmbedding(
    model="text-embedding-ada-002",
    deployment_name="my-custom-embedding",
    api_key=api_key,
    azure_endpoint=azure_endpoint,
    api_version=api_version,
)

from llama_index.core import Settings

Settings.llm = llm
Settings.embed_model = embed_model
Settings.chunk_size = 512
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

准备NebulaGraph

%pip install ipython-ngql nebula3-python

os.environ["NEBULA_USER"] = "root"
os.environ["NEBULA_PASSWORD"] = "nebula"
os.environ["NEBULA_ADDRESS"] = "127.0.0.1:9669"

space_name = "llamaindex"
edge_types, rel_prop_names = ["relationship"], ["relationship"]
tags = ["entity"]
1
2
3
4
5
6
7
8
9

创建NebulaGraph集群：

curl -fsSL nebula-up.siwei.io/install.sh | bash
1

或使用NebulaGraph Docker Extension。

配置StorageContext：

from llama_index.core import StorageContext
from llama_index.graph_stores.nebula import NebulaGraphStore

graph_store = NebulaGraphStore(
    space_name=space_name,
    edge_types=edge_types,
    rel_prop_names=rel_prop_names,
    tags=tags,
)
storage_context = StorageContext.from_defaults(graph_store=graph_store)
1
2
3
4
5
6
7
8
9
10

构建知识图谱

步骤1：从Wikipedia加载数据

from llama_index.core import download_loader
from llama_index.readers.wikipedia import WikipediaReader

loader = WikipediaReader()
documents = loader.load_data(pages=["Guardians of the Galaxy Vol. 3"], auto_suggest=False)
1
2
3
4
5

步骤2：使用NebulaGraph作为graph_store生成KnowledgeGraphIndex

from llama_index.core import KnowledgeGraphIndex

kg_index = KnowledgeGraphIndex.from_documents(
    documents,
    storage_context=storage_context,
    max_triplets_per_chunk=10,
    space_name=space_name,
    edge_types=edge_types,
    rel_prop_names=rel_prop_names,
    tags=tags,
    include_embeddings=True,
)
1
2
3
4
5
6
7
8
9
10
11
12

使用自然语言查询知识图谱

from llama_index.core.query_engine import KnowledgeGraphQueryEngine

query_engine = KnowledgeGraphQueryEngine(
    storage_context=storage_context,
    llm=llm,
    verbose=True,
)

response = query_engine.query("Tell me about Peter Quill?")
print(response)
1
2
3
4
5
6
7
8
9
10

常见错误及解决方法

1. 连接错误：确保NebulaGraph地址和用户信息正确配置。
2. 数据加载错误：检查WikipediaReader是否正确安装且页面名称准确。
3. API秘钥错误：确保使用有效的API秘钥并配置正确。

如果你觉得这篇文章对你有帮助,请点赞,关注我的博客,谢谢!

参考资料：

• Llama Hub官方文档
• NebulaGraph官方文档
• OpenAI API参考