Урок из полного доступа, первые уроки курса бесплатно Официальный курс Mistral AI Cookbook на русском
Урок 109 · Текст · ~5 мин

Индекс PropertyGraph в LlamaIndex

Урок 109 из 154 курса «Mistral AI Cookbook»: официальный курс Mistral AI Cookbook (Мистраль) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

В этом notebook мы демонстрируем базовое использование PropertyGraphIndex в LlamaIndex.

Индекс PropertyGraph будет обрабатывать неструктурированные документы, извлекать из них PropertyGraph и предлагать различные методы для запросов к этому графу.

Следующие шаги происходят при создании PropertyGraph:

  1. PropertyGraphIndex.from_documents(): Мы загружаем документы в индекс.
  2. Парсинг узлов: Индекс парсит документы в узлы.
  3. Извлечение путей из текста: Узлы передаются в LLM, которому дается prompt для генерации триплетов графа знаний (т.е. путей).
  4. Извлечение неявных путей: Свойство node.relationships используется для вывода неявных путей.
  5. Генерация embedding'ов: Embeddings генерируются для каждого текстового узла и узла графа, происходя дважды в процессе.

Для целей отладки SimplePropertyGraphStore по умолчанию включает вспомогательную функцию для сохранения представления графа networkx в HTML-файл.

Выполнение запросов к индексу PropertyGraph обычно включает использование одного или нескольких под-ретриверов и объединение их результатов. Процесс извлечения данных из графа включает:

  1. Выбор узлов: Идентификация начальных узлов интереса в графе.
  2. Обход: Перемещение от выбранных узлов для исследования связанных элементов.

По умолчанию одновременно используются два основных типа извлечения:

• Расширение синонимов/ключевых слов: Использование LLM для генерации синонимов и ключевых слов, полученных из запроса.

• Векторное извлечение: Использование embedding'ов для поиска узлов в вашем графе.

После идентификации узлов вы можете выбрать:

• Возвращать пути: Предоставлять пути, смежные с выбранными узлами, обычно в форме триплетов.

• Возвращать пути и исходный текст: Предоставлять как пути, так и исходный текст фрагмента, если он доступен.

По умолчанию хранение управляется с помощью наших простых in-memory абстракций — SimpleVectorStore для embedding'ов и SimplePropertyGraphStore для PropertyGraph.

Мы можем сохранять и загружать эти структуры на диск и с диска.

Хотя некоторые графовые базы данных, такие как Neo4j, поддерживают векторы, вы все равно можете указать, какое векторное хранилище использовать с вашим графом в случаях, когда векторы не поддерживаются, или когда вы хотите переопределить настройки по умолчанию.

Ниже мы продемонстрируем, как объединить ChromaVectorStore с SimplePropertyGraphStore по умолчанию.

План урока

  1. Настройка
  2. Загрузка данных
  3. Создание PropertyGraphIndex
  4. Выполнение запросов
  5. Извлечение
  6. QueryEngine
  7. Хранение
  8. Векторные хранилища

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Mistral AI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Mistral AI (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды