在科技领域，创新始终是推动进步的动力。今天我们要探讨的是一种名为Triplex的模型，它在知识图谱构建方面提供了一种比微软GraphRag更具创新性且成本更低的替代方案。本文将详细介绍这种模型的工作原理、优势以及如何在实际应用中操作和实现。
Sciphi Triplex模型简介
Scihpi Triplex模型，简称triplex，是一种开源大语言模型，专注于从非结构化数据中提取知识图谱。它的名字来源于其能够提取文本中的实体、关系和实体类型。这个模型是基于53.8亿参数的语言模型进行微调，旨在创建高质量的知识图谱。
与微软Graph Rag的对比
成本与性能
Triplex的成本是微软Graph Rag的十分之一，但性能却与GPT-4相当，甚至在某些方面更为高效。微软的Graph Rag虽然功能强大，但资源消耗高，使用成本也较高。而Triplex则通过优化算法和架构设计，提供了高性价比的解决方案。.
灵活性与易用性
Triplex模型支持多样且复杂的应用场景，用户可以立即使用R2R Rag引擎和Neo4J进行数据可视化。而在使用微软Graph Rag时，用户需要先将数据转换为Neo4J兼容格式，这增加了操作复杂性。Triplex在这方面提供了更高的灵活性和易用性。
准确性与训练数据
在准确性方面，Triplex模型在知识图谱提取上优于GPT-4。Triplex使用的是开源的Triplex大语言模型，并且可以通过HuggingFace和Ollama运行。此外，用户可以在本地计算机上免费运行Ollama，这大大降低了使用门槛。
实际操作步骤
接下来，我们将详细介绍如何使用Triplex模型从文本中提取知识图谱，并将其存储在数据库中进行可视化。
1. 基础知识介绍
首先，我们需要了解基本的概念。知识图谱构建（Graph Rag）与基本的检索增强生成（Basic Rag）不同，后者是将数据转换为嵌入并存储在向量数据库中。而前者则是从提供的数据中提取实体和关系，并将其存储在知识图谱数据库中。
2. 安装必要的库
在开始操作之前，我们需要安装一些必要的库：
pip install transformers torch
3. 创建Python文件并编写代码
接下来，我们将创建一个名为app.py的文件，并在其中编写代码：
import json
from transformers import AutoModelForCausalLM, AutoTokenizer
def triple_extract(model, tokenizer, text, entities, predicates):
# 提供输入主题、谓词和宾语
prompt = f"{text} [{entities}] [{predicates}]"
tokens = tokenizer.encode(prompt, return_tensors='pt')
output = model.generate(tokens)
response = tokenizer.decode(output[0], skip_special_tokens=True)
return response
model_name = "sci-fi-trix"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
text = "Elon Musk is the founder of SpaceX"
entities = "Person, Organization"
predicates = "founded by"
response = triple_extract(model, tokenizer, text, entities, predicates)
print(response)4. 运行代码
在终端中运行以下命令：
python app.py
代码将自动下载模型并运行请求，生成的响应将包含提取的实体和关系。
使用OLama进行简化操作
除了上述方法，还可以使用O Lama进行简化操作。首先，下载ollama：
然后运行Sci-Fi XX：
ollama run sciphi/triplex
输入与之前相同的文本和实体类型，模型将返回提取的实体和三元组。
使用R2R进行简化
为了进一步简化整个过程，我们可以使用R2R。sciphi的创建公司还提供了R2R工具，帮助用户构建、扩展和管理面向用户的RAG应用。
1. 安装R2R
pip install r2r
2. 配置文件
创建一个名为local_neo4j_kg的文件，并在其中添加配置：
model_name: sci-fi-trix
providers:
neo4j:
uri: bolt://localhost:7687
user: neo4j
password: your_password3. 运行R2R
r2r serve docker --config local_neo4j_kg.yaml
4. 数据导入
准备一个名为data.txt的文件，内容如下：
John is a person that works at Google. Paul is a person that works at Microsoft that collaborates with John.
运行以下命令进行数据导入：
r2r ingest files data.txt
5. 查看知识图谱
运行以下命令查看知识图谱：
r2r inspect knowledge_graph
6. 可视化
打开Neo4J的URL，输入用户名和密码，即可查看知识图谱的关系。
总结
通过使用sciphi模型，我们可以以更低的成本和更高的效率构建高质量的知识图谱。无论是使用Hugging Face、OLama还是R2R，sciphi都提供了极大的灵活性和易用性。希望本文能为您提供有用的信息，让您在知识图谱构建领域取得更大的进展。
