MongoDB と LangChain を使用した GraphRAG

バックグラウンド

GraphRAG は、ベクトル埋め込みとしてではなく、エンティティとその関係の知識グラフとしてデータを構造化する従来の RG の代替アプローチです。ベクトルベースの RG はクエリにセマンティックに類似するドキュメントを検索しますが、GraphRAG はクエリに接続されたエンティティを検索し、グラフ内の関係を走査して関連情報を検索します。

このアプローチは関係がベースとなる質問で特に役立ちます。たとえば、「A 会社と B 会社のつながりは何ですか?」や「X さんのマネージャーは誰ですか?」などの質問です。

MongoDBGraphStore は、LgChuin MongoDB統合のコンポーネントであり、エンティティ（ノード）とその関係（エッジ）をMongoDBコレクションに保存することで GraphRAG を実装できます。このコンポーネントは、コレクション内の他のドキュメントを参照関係フィールドを持つドキュメントとして各エンティティを保存します。$graphLookup 集計ステージを使用してクエリを実行します。

前提条件

Atlas の サンプル データ セット からの映画データを含むコレクションを使用します。

• 次のいずれかのMongoDBクラスター タイプ

  • An Atlas cluster running MongoDB version 6.0.11, 7.0.2, or later. Ensure that your IP address is included in your Atlas project's access list.

  • PythonとDockerを使用して作成されたローカル Atlas 配置。プログラムでローカル配置を作成および管理するには、atlas-local-lib-py （pip install atlas-local-lib-py ）をインストールします。詳細については、 atlas-local-lib-pyリポジトリを参照してください。

  • Search とベクトル検索がインストールされたMongoDB Community クラスター。

• OpenAI APIキー。API リクエストに使用できるクレジットがある OpenAI アカウントが必要です。OpenAI のアカウント登録の詳細については、OpenAI API のウェブサイトをご覧ください。

• VS Codeや Colas などのインタラクティブPythonノートを実行するための環境。

環境を設定する

このチュートリアルの環境を設定します。 .ipynb 拡張機能のファイルを保存して、インタラクティブPythonノートを作成します。 このノートはPythonコード スニペットを個別に実行でき、このチュートリアルのコードを実行するために使用します。

ノートク環境を設定するには、次の手順に従います。

pip install --quiet --upgrade pymongo langchain_community wikipedia langchain_openai langchain_mongodb

import os
os.environ["OPENAI_API_KEY"] = "<api-key>"
MONGODB_URI = "<connection-string>"
DB_NAME = "langchain_db"    # MongoDB database to store the knowledge graph
COLLECTION = "wikipedia"    # MongoDB collection to store the knowledge graph

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

mongodb://localhost:<port-number>/?directConnection=true

MongoDB を知識グラフとして使用

このセクションでは、 MongoDB をGraphRAG の知識グラフとして使用する方法を説明します。ノートに次のコードを貼り付けて実行します。

from langchain_openai import OpenAI
from langchain.chat_models import init_chat_model
chat_model = init_chat_model("gpt-4o", model_provider="openai", temperature=0)

from langchain_community.document_loaders import WikipediaLoader
from langchain_text_splitters import TokenTextSplitter
wikipedia_pages = WikipediaLoader(query="Sherlock Holmes", load_max_docs=3).load()
text_splitter = TokenTextSplitter(chunk_size=1024, chunk_overlap=0)
wikipedia_docs = text_splitter.split_documents(wikipedia_pages)

from langchain_mongodb.graphrag.graph import MongoDBGraphStore
graph_store = MongoDBGraphStore.from_connection_string(
    connection_string = MONGODB_URI,
    database_name = DB_NAME,
    collection_name = COLLECTION,
    entity_extraction_model = chat_model
)

graph_store.add_documents(wikipedia_docs)

お客様のデータに関する質問に答えてください

質問に答えるためには、知識グラフを呼び出します。知識グラフを呼び出すには、 chat_response メソッドを使用します。MongoDBから関連ドキュメントを検索し、指定したチャット モデルを使用して 自然言語で応答を生成します。

具体的には、チャット モデルはクエリからエンティティを抽出し、 MongoDB は ステージを使用して接続されたエンティティを見つけるために知識グラフを走査し、最も近いエンティティとその関係はクエリとともにチャット$graphLookup モデルに送信され、応答を生成します。

query = "Who inspired Sherlock Holmes?"
answer = graph_store.chat_response(query)
print(answer.content)

Sherlock Holmes was inspired by Dr. Joseph Bell, a physician known for his keen observation and deductive reasoning, as acknowledged by Sir Arthur Conan Doyle, Holmes' creator.

ビデオで学ぶ

このチュートリアルで使用するコードのデモについては、このビデオをご覧ください。

所要時間: 2分