使用 LlamaIndex 从 PDF 文档构建知识图谱 RAG

最新推荐文章于 2024-09-26 16:23:21 发布

泡椒竹笋面

最新推荐文章于 2024-09-26 16:23:21 发布

阅读量455

点赞数 5

文章标签： pdf 知识图谱人工智能学习自然语言处理 transformer

本文链接：https://blog.csdn.net/kaka0722ww/article/details/141961873

版权

之前，我从 PDF 文档中实现了 RAG LLM 。检索增强生成 (RAG) 的概念是向大型语言模型 (LLM) 提供来自外部知识源（如 PDF 文档、CSV 文件等）的补充信息。这使它们能够生成更准确、更符合上下文的响应。但是，RAG 难以处理广泛的异构信息。RAG 利用向量数据库，该数据库基于不同实体（如单词或短语）的高维向量表示来测量它们之间的相似性或相关性。它忽略了实体的结构和关系。例如，在向量表示中，“员工”一词可能比“信息”与“雇主”更相关，因为它在向量空间中看起来更接近。

这可以通过引入知识图谱来实现，知识图谱是一种将数据组织为节点和边的数据结构，可增强检索信息的语境性。知识图谱由主语-谓语-宾语三元组组成，其中主语/宾语由节点表示，谓语/关系由边表示。例如，在这个三元组“雇主 — 提交 — 索赔”中，“提交”是谓语，表示“雇主”和“索赔”之间的关系。通过三元组表示，知识图谱数据库可以使复杂的数据搜索更加准确和高效。

执行

安装依赖项

!pip 安装 -q pypdf   
!pip 安装 -q python-dotenv   
!pip 安装 -q pyvis   
!pip 安装 -q transformers einops 加速 langchain bitsandbytes sentence\_transformers langchain-community langchain-core   
!pip 安装 -q llama-index   
!pip 安装 -q llama-index-llms-huggingface   
!pip 安装 -q llama-index-embeddings-langchain   
!pip 安装 -q llama-index-embeddings-huggingface

LlamaIndex_：_一个简单、灵活的数据框架，用于将自定义数据源连接到 LLM
SimpleDirectoryReader_：_将数据从本地文件加载到 LlamaIndex 的最简单方法
KnowledgeGraphIndex_：_从非结构化文本自动构建知识图谱
SimpleGraphStore_：_简单图形存储索引
PyVis_：_一个用于可视化和构建图形网络的 Python 库

启用诊断日志记录

日志记录为代码执行提供了有价值的见解。

导入操作系统、日志记录、系统日志  
  
记录.basicConfig（流=sys.stdout，级别=logging.INFO）  
日志记录.getLogger（）。addHandler（日志记录.StreamHandler（流=sys.stdout））

连接 Huggingface API

使用您的 Huggingface 推理 API 端点进行更新

从huggingface\_hub导入登录  
  
os.environ\[ "HF\_KEY" \] = "您的 Hugging Face 访问令牌在此处"  
 login(token=os.environ.get( 'HF\_KEY' ),add\_to\_git\_credential= True )

加载 PDF 文档

创新不列颠哥伦比亚省创新者技能计划
卑诗省艺术委员会申请协助

从llama\_index.core导入SimpleDirectoryReader  
  
文档 = SimpleDirectoryReader(input\_dir= "/content/" , required\_exts= ".pdf" ).load\_data()

构建知识图谱索引

使用 HuggingFace 创建本地嵌入

HuggingFaceEmbeddings 是 LangChain 库中的一个类，它为 Hugging Face 的句子转换器模型提供了一个包装器，用于生成文本嵌入。它允许您使用 Hugging Face 上的任何句子嵌入模型来执行语义搜索、文档聚类和问答等任务。multi-qa-MiniLM-L6-cos-v1本练习使用 HF 句子转换器模型。

从llama\_index.embeddings.huggingface导入HuggingFaceEmbedding   
  
EMBEDDING\_MODEL\_NAME = “sentence-transformers/multi-qa-MiniLM-L6-cos-v1”  
  
 embed\_model = HuggingFaceEmbedding(model\_name=EMBEDDING\_MODEL\_NAME，embed\_batch\_size= 10 )

从 ServiceContext 迁移到 Settings

LlamaIndex v0.10.0 中引入了一个新的全局 Settings 对象，旨在取代旧的 ServiceContext 配置。

新的 Settings 对象是一个全局设置，其参数是延迟实例化的。LLM 或嵌入模型等属性仅在底层模块实际需要时才会加载。

从llama\_index.core导入设置  
  
Settings.embed\_model = embed\_model   
Settings.chunk\_size = 256  
 Settings.chunk\_overlap = 50

当文档被录入索引时，它们会被分割成具有一定重叠度的块。这称为“分块”。默认块大小为 1024，而默认块重叠度为 20。我们将块大小设置为 256，重叠度为 50，因为我们的文档长度较短。更多分块策略可在此处找到。

定义自定义提示

从llama\_index.core导入PromptTemplate   
  
system\_prompt = """<|SYSTEM|># 您是人工智能管理助理。  
您的目标是仅使用提供的上下文准确回答问题。  
"""   
  
\# 这将包装 llama-index 内部的默认提示  
query\_wrapper\_prompt = PromptTemplate( "<|USER|>{query\_str><|ASSISTANT|>" )   
  
LLM\_MODEL\_NAME = "meta-llama/Llama-2-7b-chat-hf"

设置法学硕士 (LLM)

导入torch  
从llama\_index.llms.huggingface导入HuggingFaceLLM   
  
llm = HuggingFaceLLM(   
    context\_window= 4096 ,   
    max\_new\_tokens= 512 ,   
    generate\_kwargs={ "temperature" : 0.1 , "do\_sample" : False },   
    system\_prompt=system\_prompt,   
    query\_wrapper\_prompt=query\_wrapper\_prompt,   
    tokenizer\_name=LLM\_MODEL\_NAME,   
    model\_name=LLM\_MODEL\_NAME,   
    device\_map= "auto" ,   
    \# 如果使用 CUDA 则取消注释此行以减少内存使用  
    model\_kwargs={ "torch\_dtype" : torch.float16 , "load\_in\_8bit" : True }   
)   
  
Settings.llm = llm

构建知识图谱索引

从llama\_index.core.storage.storage\_context导入StorageContext  
从llama\_index.core导入SimpleDirectoryReader、KnowledgeGraphIndex  
从llama\_index.core.graph\_stores导入SimpleGraphStore   
  
#设置存储上下文  
graph\_store = SimpleGraphStore()   
storage\_context = StorageContext.from\_defaults(graph\_store=graph\_store)   
  
index = KnowledgeGraphIndex.from\_documents(documents=documents,   
                                           max\_triplets\_per\_chunk= 3 ,   
                                           storage\_context=storage\_context,   
                                           embed\_model=embed\_model,   
                                          include\_embeddings= True )

_max_triplets_per_chunk ：_从文本的每个块中提取的三元组的最大数量。减少此数字可以加快处理速度，因为需要处理的三元组更少。
_include_embeddings ：_控制是否在索引中包含嵌入。默认值为 False，因为生成嵌入可能需要大量计算。

可视化知识图谱

从pyvis.network导入Network   
g = index.get\_networkx\_graph()   
net = Network(notebook= True , cdn\_resources= "in\_line" , directed= True )   
net.from\_nx(g)   
net.save\_graph( "rag\_graph.html" )  
从IPython.display导入HTML，显示  
HTML(filename= "rag\_graph.html" )

询问

query\_engine = index.as\_query\_engine(llm=llm, similarity\_top\_k=5)  
  
done = False  
但未完成：  
 print（“\*” \*30）  
question = input（“输入您的问题：”）  
response = query\_engine.query（question）print   
 （ response）  
 done = input（“结束聊天？（y/n）：”）== “y”