llmgraph - 使用大语言模型生成多格式知识图谱

项目介绍

概述

llmgraph 是一个开源项目，旨在利用大型语言模型（LLMs）帮助用户从特定的维基百科页面创建知识图谱。该项目支持生成 GraphML、GEXF 和 HTML 格式的知识图谱，其核心功能依赖于从 ChatGPT 或其他 LLMs（如支持的 LiteLLM）中提取世界知识。知识图谱是通过分析关联实体和关系来进行可视化展示的，对理解和分析复杂信息网络非常有用。

主要特性

知识图谱创建：用户可以通过指定一个源实体来生成相关的知识图谱，从而帮助挖掘深层信息。
多模型支持：不仅支持使用 ChatGPT，可以通过自定义配置支持其他语言模型。
多格式输出：可以将知识图谱输出为 HTML、GraphML 和 GEXF 格式，以便于在不同平台上进行查看和分析。
多实体类型和关系：支持通过自定义提示语以生成不同类型的实体和关系。
缓存功能：支持缓存以提高生成效率，支持迭代式的知识图谱扩展。
成本监控：输出总使用 token，以便用户更好地控制云端调用的成本。
自定义模型：可以灵活选择或定制模型，默认为 OpenAI 的 gpt-4o-mini，以兼顾速度和成本。

安装方法

用户可以通过 pip 命令安装 llmgraph，建议在 Python 虚拟环境中进行：

pip install llmgraph

此外，项目还提供了一个示例 notebook，用户可以在 Google Colab 上直接运行体验。

使用示例

下图是一个基于人工智能主题生成的知识图谱示例。使用以下命令生成的三层图谱：

llmgraph machine-learning "https://en.wikipedia.org/wiki/Artificial_intelligence" --levels 3

在此示例中，用户只需指定实体类型和维基百科源实体的 URL，系统会自动生成相关知识图谱。

未来展望

llmgraph 项目的未来改进计划包括：

增强图谱输出效果，例如改善 HTML 输出及其交互性。
对比不同 LLM 模型生成的图谱以深入理解这些模型处理知识信息的方式。
添加本地运行和自定义实体类型的指南。
增加示例和易浏览的文档。

如何参与贡献

llmgraph 欢迎广大开发者参与贡献。步骤如下：

Fork 本项目仓库。
创建一个新分支用于您的功能或错误修复。
提交更改并进行 commit。
提出 Pull Request 并描述您的更改。

鸣谢

特别感谢 @breitburg 对 LiteLLM 更新的贡献。

参考资料

提供有关知识图谱生成与 LLM 应用的参考文献和相关资源链接，方便感兴趣的读者深入学习研究。

通过 llmgraph，用户可以轻松创建和探索各种主题的知识图谱，引导用户深入理解复杂的信息网络，让知识的整理与分析变得更为简便直观。