使用属性图存储¶

通常在 LlamaIndex 中，你会创建一个 PropertyGraphStore，将其传递给 PropertyGraphIndex，然后它会自动用于插入和查询。

然而，有时你会想直接使用图存储。也许你想自己创建图并将其交给检索器或索引。也许你想编写自己的代码来管理和查询图存储。

本 Notebook 将引导你填充和查询图存储，而无需使用索引。

设置¶

此处，我们将利用 Neo4j 作为我们的属性图存储。

要在本地启动 Neo4j，请首先确保已安装 docker。然后，可以使用以下 docker 命令启动数据库：

docker run \
    -p 7474:7474 -p 7687:7687 \
    -v $PWD/data:/data -v $PWD/plugins:/plugins \
    --name neo4j-apoc \
    -e NEO4J_apoc_export_file_enabled=true \
    -e NEO4J_apoc_import_file_enabled=true \
    -e NEO4J_apoc_import_file_use__neo4j__config=true \
    -e NEO4JLABS_PLUGINS=\[\"apoc\"\] \
    neo4j:latest

在此处，你可以打开数据库 http://localhost:7474/。在此页面上，系统会要求你登录。使用默认用户名/密码 `neo4j` 和 `neo4j`。

首次登录后，系统会要求你更改密码。

完成此步骤后，你就可以创建你的第一个属性图了！

输入 [ ]

from llama_index.graph_stores.neo4j import Neo4jPropertyGraphStore

pg_store = Neo4jPropertyGraphStore(
    username="neo4j",
    password="llamaindex",
    url="bolt://localhost:7687",
)

from llama_index.graph_stores.neo4j import Neo4jPropertyGraphStore pg_store = Neo4jPropertyGraphStore( username="neo4j", password="llamaindex", url="bolt://localhost:7687", )

插入¶

现在我们已经初始化了存储，可以向其中放入一些内容了！

向属性图存储中插入包括插入节点

• EntityNode - 包含标记的人、地点或事物
• ChunkNode - 包含实体或关系来源的源文本

以及插入 Relation (即链接多个节点)。

输入 [ ]

from llama_index.core.graph_stores.types import EntityNode, ChunkNode, Relation

# Create a two entity nodes
entity1 = EntityNode(label="PERSON", name="Logan", properties={"age": 28})
entity2 = EntityNode(label="ORGANIZATION", name="LlamaIndex")

# Create a relation
relation = Relation(
    label="WORKS_FOR",
    source_id=entity1.id,
    target_id=entity2.id,
    properties={"since": 2023},
)

from llama_index.core.graph_stores.types import EntityNode, ChunkNode, Relation # 创建两个实体节点 entity1 = EntityNode(label="PERSON", name="Logan", properties={"age": 28}) entity2 = EntityNode(label="ORGANIZATION", name="LlamaIndex") # 创建一个关系 relation = Relation( label="WORKS_FOR", source_id=entity1.id, target_id=entity2.id, properties={"since": 2023}, )

定义了一些实体和关系后，我们可以插入它们！

输入 [ ]

pg_store.upsert_nodes([entity1, entity2])
pg_store.upsert_relations([relation])

pg_store.upsert_nodes([entity1, entity2]) pg_store.upsert_relations([relation])

如果需要，我们还可以定义这些内容来自的文本块

输入 [ ]

from llama_index.core.schema import TextNode

source_node = TextNode(text="Logan (age 28), works for LlamaIndex since 2023.")
relations = [
    Relation(
        label="MENTIONS",
        target_id=entity1.id,
        source_id=source_node.node_id,
    ),
    Relation(
        label="MENTIONS",
        target_id=entity2.id,
        source_id=source_node.node_id,
    ),
]

pg_store.upsert_llama_nodes([source_node])
pg_store.upsert_relations(relations)

from llama_index.core.schema import TextNode source_node = TextNode(text="Logan (age 28), works for LlamaIndex since 2023.") relations = [ Relation( label="MENTIONS", target_id=entity1.id, source_id=source_node.node_id, ), Relation( label="MENTIONS", target_id=entity2.id, source_id=source_node.node_id, ), ] pg_store.upsert_llama_nodes([source_node]) pg_store.upsert_relations(relations)

现在，你的图应该有 3 个节点和 3 个关系。

检索¶

现在我们的图已经填充了一些节点和关系，我们可以使用一些检索函数了！

输入 [ ]

# get a node
kg_nodes = pg_store.get(ids=[entity1.id])
print(kg_nodes)

# 获取节点 kg_nodes = pg_store.get(ids=[entity1.id]) print(kg_nodes)

[EntityNode(label='PERSON', embedding=None, properties={'age': 28, 'name': 'Logan'}, name='Logan')]

输入 [ ]

# get using properties
kg_nodes = pg_store.get(properties={"age": 28})
print(kg_nodes)

# 使用属性获取节点 kg_nodes = pg_store.get(properties={"age": 28}) print(kg_nodes)

[EntityNode(label='PERSON', embedding=None, properties={'age': 28, 'name': 'Logan'}, name='Logan')]

输入 [ ]

# get paths from a node
paths = pg_store.get_rel_map(kg_nodes, depth=1)
for path in paths:
    print(f"{path[0].id} -> {path[1].id} -> {path[2].id}")

# 从节点获取路径 paths = pg_store.get_rel_map(kg_nodes, depth=1) for path in paths: print(f"{path[0].id} -> {path[1].id} -> {path[2].id}")

Logan -> WORKS_FOR -> LlamaIndex

输入 [ ]

# Run a cypher query (this will get all entity nodes)
query = "match (n:`__Entity__`) return n"
result = pg_store.structured_query(query)
print(result)

# 运行 cypher 查询 (这将获取所有实体节点) query = "match (n:`__Entity__`) return n" result = pg_store.structured_query(query) print(result)

[{'n': {'name': 'Logan', 'id': 'Logan', 'age': 28}}, {'n': {'name': 'LlamaIndex', 'id': 'LlamaIndex'}}]

输入 [ ]

# get the original text node back
llama_nodes = pg_store.get_llama_nodes([source_node.node_id])
print(llama_nodes[0].text)

# 获取原始文本节点 llama_nodes = pg_store.get_llama_nodes([source_node.node_id]) print(llama_nodes[0].text)

Logan (age 28), works for LlamaIndex since 2023.

插入或更新¶

你可能已经注意到，所有的插入操作实际上都是插入或更新 (upsert)！只要节点的 ID 相同，我们就可以避免数据重复。

让我们更新一个节点。

输入 [ ]

new_node = EntityNode(
    label="PERSON", name="Logan", properties={"age": 28, "location": "Canada"}
)
pg_store.upsert_nodes([new_node])

new_node = EntityNode( label="PERSON", name="Logan", properties={"age": 28, "location": "Canada"} ) pg_store.upsert_nodes([new_node])

输入 [ ]

nodes = pg_store.get(properties={"age": 28})
print(nodes)

nodes = pg_store.get(properties={"age": 28}) print(nodes)

[EntityNode(label='PERSON', embedding=None, properties={'location': 'Canada', 'age': 28, 'name': 'Logan'}, name='Logan')]

删除¶

删除功能与 get() 类似，支持使用 ID 和属性。

让我们清理图以重新开始。

输入 [ ]

# delete our entities
pg_store.delete(ids=[entity1.id, entity2.id])

# delete our text nodes
pg_store.delete([source_node.node_id])

# 删除实体 pg_store.delete(ids=[entity1.id, entity2.id]) # 删除文本节点 pg_store.delete([source_node.node_id])

输入 [ ]

nodes = pg_store.get(ids=[entity1.id, entity2.id])
print(nodes)

nodes = pg_store.get(ids=[entity1.id, entity2.id]) print(nodes)

[]