知识图谱-Neo4j-开始构建知识图谱-01_neo4j构建知识图谱

Neo4j初探

Neo4j介绍

1. Neo4j 是什么？

• 定义：Neo4j 是一款高性能的 原生图数据库（Native Graph Database），专门为存储和查询图结构数据设计。
• 核心思想：以 节点（Node）、关系（Relationship） 和 属性（Property） 为基本单元，直接映射现实世界的关联关系。
• 查询语言：使用声明式查询语言 Cypher，语法简洁直观，专注于描述“连接模式”。

---

2. 核心概念

(1) 图数据模型

• 节点（Nodes）：表示实体（如用户、商品、地点），可附加标签（Label）和属性。

  CREATE (:Person {name: \"Alice\", age: 30})

• 关系（Relationships）：连接两个节点，具有方向（→ 或 ←）和类型（Type），可附加属性。

  MATCH (a:Person), (b:Person)CREATE (a)-[:FRIENDS_WITH {since: 2020}]->(b)

• 属性（Properties）：键值对，存储节点或关系的详细信息（如 name, age）。

(2) Cypher 查询语言

• 直观语法：通过模式匹配直接描述图结构。

  MATCH (p:Person)-[:LIVES_IN]->(c:City {name: \"北京\"}) RETURN p.name, p.age

• 高效遍历：支持复杂关系路径查询（如最短路径、模式匹配）。

---

3. 核心优势

(1) 原生图存储

• 物理存储优化：数据以图结构直接存储，避免传统数据库的“表连接”开销。
• 高效遍历：通过指针直接访问相邻节点，时间复杂度接近 O(1)。

(2) 高性能

• 复杂查询优化：擅长处理多跳查询（如“朋友的朋友”）、路径分析等场景。
• 实时分析：支持大规模图数据的实时查询和分析。

(3) 灵活性与扩展性

• 动态模式：无需预定义固定表结构，可随时扩展节点、关系和属性。
• 支持 ACID 事务：确保数据一致性，适用于金融、供应链等关键场景。

(4) 可视化工具

• Neo4j Browser：内置交互式界面，直观展示图结构和查询结果。
• Bloom：企业级可视化工具，支持动态探索大规模图数据。

---

4. 适用场景

场景 示例 社交网络分析 查找用户的朋友圈、影响力分析、社区发现 推荐系统 基于共同兴趣或行为的商品推荐（如“购买了此商品的人也买了…”） 欺诈检测 识别异常交易模式（如环状转账、虚假账户网络） 知识图谱 构建企业级知识库（如医疗疾病关联、金融风险图谱） 供应链优化 分析物流路径、供应商依赖关系 IT 运维 追踪微服务依赖、故障传播分析

---

5. 对比传统数据库

对比维度 关系型数据库 Neo4j（图数据库） 数据模型 表结构（行与列） 图结构（节点、关系、属性） 查询复杂度 多表 JOIN 性能差 多跳关系查询高效 场景适配 结构化数据、简单关系 复杂关联关系、动态模式 扩展性 垂直扩展为主 水平扩展（Neo4j 4.0+ 支持集群）

---

6. 版本与生态

• 社区版：免费开源，适合个人和小型项目。
• 企业版：付费，支持集群、备份、监控等高级功能。
• 工具与插件：
  • APOC：扩展库，提供数据导入/导出、算法等实用功能。
  • Neo4j Graph Data Science：内置图算法（如 PageRank、社区发现）。
  • Neo4j Connectors：与 Kafka、Spark 等大数据工具集成。

---

7. 入门步骤

1. 安装：下载 Neo4j Desktop（支持Windows/Mac/Linux）。
2. 创建数据库：一键启动本地实例。
3. 学习 Cypher：通过内置教程或官方文档实践。
4. 导入数据：使用 LOAD CSV 或 neo4j-admin 工具。
5. 可视化探索：在 Neo4j Browser 中运行查询并查看图结果。

---

8. 缺点与注意事项

• 学习曲线：需掌握 Cypher 语法和图思维。
• 存储成本：图数据库存储开销可能高于关系型数据库。
• 适用边界：非关联型数据（如日志、时序数据）建议选择其他数据库。

---

Neo4j 安装

Docker Compose 安装

https://neo4j.com/docs/operations-manual/current/docker/docker-compose-standalone/

services: neo4j: image: neo4j:latest volumes: - /$HOME/neo4j/logs:/logs - /$HOME/neo4j/config:/config - /$HOME/neo4j/data:/data - /$HOME/neo4j/plugins:/plugins environment: - NEO4J_AUTH=neo4j/your_password ports: - \"7474:7474\" - \"7687:7687\" restart: always

启动
docker compose up -d

访问
localhost:7876

知识图谱例子

• 2025-02-27 22:25

官方例子

这是一个Movie的例子。
这里分为两个方面看：

1. 创建电影实体
   CREATE (TheMatrix:Movie {title:\'The Matrix\', released:1999, tagline:\'Welcome to the Real World\'})
2. 创建Person 实体
3. 创建 Person - ACTED_IN -> MOVIE 关系 和 PERSON-DIRECTED->MOVIE关系

CREATE (TheMatrix:Movie {title:\'The Matrix\', released:1999, tagline:\'Welcome to the Real World\'})CREATE (Keanu:Person {name:\'Keanu Reeves\', born:1964})CREATE (Carrie:Person {name:\'Carrie-Anne Moss\', born:1967})CREATE (Laurence:Person {name:\'Laurence Fishburne\', born:1961})CREATE (Hugo:Person {name:\'Hugo Weaving\', born:1960})CREATE (LillyW:Person {name:\'Lilly Wachowski\', born:1967})CREATE (LanaW:Person {name:\'Lana Wachowski\', born:1965})CREATE (JoelS:Person {name:\'Joel Silver\', born:1952})CREATE(Keanu)-[:ACTED_IN {roles:[\'Neo\']}]->(TheMatrix),(Carrie)-[:ACTED_IN {roles:[\'Trinity\']}]->(TheMatrix),(Laurence)-[:ACTED_IN {roles:[\'Morpheus\']}]->(TheMatrix),(Hugo)-[:ACTED_IN {roles:[\'Agent Smith\']}]->(TheMatrix),(LillyW)-[:DIRECTED]->(TheMatrix),(LanaW)-[:DIRECTED]->(TheMatrix),(JoelS)-[:PRODUCED]->(TheMatrix)

执行Movie Graph例子，生成图谱

搜索图谱例子：查询

找到名叫“Tom Hanks”的演员

match (tom {name:\"Tom Hanks\"}) return tom 

找到标题为“Cloud Atlas”的电影

match (a {title:\"Cloud Atlas\"}) RETURN a

找到 10 个人

match(people:Person) RETURN people limit 10 

查找 1990 年代上映的电影

match (nineties:Movie) where nineties.released >= 1990 AND nineties.released< 2000 return nineties

列出所有 Tom Hanks 的电影…

match (tomHanks:Person {name:\"Tom Hanks\"}) -[:ACTED_IN]-> (movies) RETURN tomHanks,movies 

谁执导了《云图》？
? -> directed -> movice

Match (one) -[:DIRECTED]-> (yuntu:Movie{title:\"Cloud Atlas\"}) RETURN one,yuntu

汤姆·汉克斯的合作演员
tom hanks - acted_in->(m) <- acted_in - ?

match (tom:Person {name:\"Tom Hanks\"}) -[:ACTED_IN]-> (m) <-[:ACTED_IN]- (actors) RETURN tom ,m, actors

与“Cloud Atlas”有关系的人…

match (m)-[p]->(t:Movie{title:\"Cloud Atlas\"})return t,m 

图谱例子：Solve 解决 路径查询

你听说过经典的“凯文·贝肯六度分隔”吗？这只是一个称为“贝肯路径”的最短路径查询。

• 内置最短路径()算法

电影和演员，与凯文·贝肯相距最多 4“跳”
这里指：kevin Bacon 关联的演员或电影，一次关联 就是 一跳。
我的理解：探针：每进一层，1跳。多层 多跳。 或者从 尾节点 找 上找 n次可找到目标

MATCH (bacon:Person {name:\"Kevin Bacon\"})-[*1..4]-(hollywood)RETURN DISTINCT hollywood

培根路径，任何关系到达梅格·瑞恩的最短路径

MATCH p=shortestPath((bacon:Person {name:\"Kevin Bacon\"})-[*]-(meg:Person {name:\"Meg Ryan\"}))RETURN p

请注意，您只需在首次创建关系时比较属性值即可

图谱例子：Recommend 推荐

让我们为汤姆·汉克斯推荐新的合演者。一种基本的推荐方法是找到与自身联系紧密的邻近区域以外的联系。

找到一个人，能介绍汤姆给他潜在的合作演员。

寻找汤姆·汉克斯尚未合作过的演员，但他的合作演员已经合作过的。

Find someone who can introduce Tom to his potential co-actor.

这个Neo4j查询语句用于推荐与Tom Hanks间接合作的演员（二级合作演员），并计算推荐强度。以下是逐层分析：

MATCH (tom:Person {name:\"Tom Hanks\"}) -[:ACTED_IN]-> (m) <-[:ACTED_IN]- (coActor),(coActor)-[:ACTED_IN]-> (m2)<-[:ACTED_IN]-(cocoAcotr)where NOT (tom)-[:ACTED_IN]->()<-[:ACTED_IN]-(cocoAcotr) AND tom  cocoAcotr return tom.name, coActor, cocoAcotr ,count(*) as strengh order by strengh desc##

1. 查询目标
   找到满足以下条件的演员：

   • 二级合作演员：与Tom Hanks的直接合作演员（一级合作演员）合作过，但自己从未与Tom Hanks直接合作过。
   • 推荐强度：基于这些二级合作演员与一级合作演员的共同参演次数，次数越多强度越高。

2. 模式分解
   路径1：Tom → 电影 ← 一级合作演员

   (tom:Person {name:\"Tom Hanks\"})-[:ACTED_IN]->(m)<-[:ACTED_IN]-(coActors)

   • 逻辑：找到Tom Hanks参演的所有电影(m)，以及与他共同参演这些电影的一级合作演员(coActors)。

   路径2：一级合作演员 → 其他电影 ← 二级合作演员

   (coActors)-[:ACTED_IN]->(m2)<-[:ACTED_IN]-(cocoActors)

   • 逻辑：找到一级合作演员参演的其他电影(m2)，以及这些电影中的其他二级合作演员(cocoActors)。

   ---

   3. 过滤条件

   WHERE NOT (tom)-[:ACTED_IN]->()<-[:ACTED_IN]-(cocoActors) AND tom  cocoActors

   • 排除直接合作：确保二级合作演员(cocoActors)从未与Tom Hanks共同参演过同一部电影。
   • 排除自己：确保结果不包含Tom Hanks本人。

   ---

   4. 结果统计与排序

   RETURN cocoActors AS Recommended, count(*) AS Strength ORDER BY Strength DESC

   • 统计逻辑：对每个二级合作演员，统计其通过不同路径（不同的一级合作演员和电影）被推荐的次数。
   • 排序：按推荐强度（路径数量）降序排列，次数越多表示关联越强。

基本用法

创建一个索引（只读）

// Create an index// Replace:// \'IndexName\' with name of index (optional)// \'LabelName\' with label to index// \'propertyName\' with property to be indexedCREATE INDEX [IndexName] FOR (n:LabelName)ON (n.propertyName)

创建 唯一 的属性约束（只读）

// Create unique property constraint// Replace:// \'ConstraintName\' with name of constraint (optional)// \'LabelName\' with node label// \'propertyKey\' with property that should be uniqueCREATE CONSTRAINT [ConstraintName]FOR (n:<LabelName>)REQUIRE n.<propertyKey> IS UNIQUE

获取一些数据

MATCH (n1)-[r]->(n2) RETURN r, n1, n2 LIMIT 25

Hello World!

CREATE (database:Database {name:\"Neo4j\"})-[r:SAYS]->(message:Message {name:\"Hello World!\"}) RETURN database, message, r

找到某人介绍汤姆·汉克斯给汤姆·克鲁斯认识

# 演员关系match (tomH:Person{name:\"Tom Hanks\"}) -[:ACTED_IN]-> (m) <-[:ACTED_IN]-(someOne),(someOne)-[:ACTED_IN]->(m2)<-[:ACTED_IN]-(tomC:Person{name:\"Tom Cruise\"})return tomH,m,tomC,someOne# 所有关系match (tomH:Person{name:\"Tom Hanks\"}) -[*]-> (m) <-[*]-(someOne),(someOne)-[*]->(m2)<-[*]-(tomC:Person{name:\"Tom Cruise\"})return tomH,m,tomC,someOne

Clean up 清理

当你完成实验后，您可以删除电影数据集。

Note: 注意：

节点存在关系时无法删除
删除节点和关系
WARNING: This will remove all Person and Movie nodes!
警告：这将删除所有人物和电影节点！

删除所有电影和人物节点及其关系

MATCH (n) DETACH DELETE n

证明电影图已消失

MATCH (n) RETURN n

从关系型数据库到图，使用经典数据集:Northwind Graph 北温图

从关系型数据库到图，使用经典数据集

北风图展示了如何从关系型数据库迁移到 Neo4j。这种转换是迭代和有意的，强调从关系表到图节点和关系的概念转变。

本指南将向您展示如何：
Northwind 在几个类别中销售食品产品，由供应商提供。让我们先加载产品目录表。
Product Catalog 产品目录

加载：从外部 CSV 文件创建数据

Product Catalog 产品目录

# 加载productLOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/products.csv\" AS rowCREATE (n:Product)SET n = row,n.unitPrice = toFloat(row.unitPrice),n.unitsInStock = toInteger(row.unitsInStock), n.unitsOnOrder = toInteger(row.unitsOnOrder),n.reorderLevel = toInteger(row.reorderLevel), n.discontinued = (row.discontinued  \"0\")# 加载categoryLOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/categories.csv\" AS rowCREATE (n:Category)SET n = row# 加载SupplierLOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/suppliers.csv\" AS rowCREATE (n:Supplier)SET n = row

索引：根据标签索引节点

CREATE INDEX FOR (p:Product) ON (p.productID)CREATE INDEX FOR (p:Product) ON (p.productName)CREATE INDEX FOR (c:Category) ON (c.categoryID)CREATE INDEX FOR (s:Supplier) ON (s.supplierID)

相关：将外键引用转换为数据关系

创建数据关系

MATCH (p:Product),(c:Category)WHERE p.categoryID = c.categoryIDCREATE (p)-[:PART_OF]->(c)MATCH (p:Product),(s:Supplier)WHERE p.supplierID = s.supplierIDCREATE (s)-[:SUPPLIES]->(p)

使用模式查询

推广：将连接记录转换为关系

列出每个供应商提供的产品类别。

MATCH (s:Supplier)-->(:Product)-->(c:Category)RETURN s.companyName as Company, collect(distinct c.categoryName) as Categories

查找产品供应商

MATCH (s:Supplier)-->(:Product)-->(c:Category)RETURN s.companyName as Company, collect(distinct c.categoryName) as Categories

Customer Orders 客户订单

## 加载和索引记录LOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/customers.csv\" AS rowCREATE (n:Customer)SET n = row## 订单LOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/orders.csv\" AS rowCREATE (n:Order)SET n = row## CREATE INDEX FOR (n:Customer) ON (n.customerID)## CREATE INDEX FOR (o:Order) ON (o.orderID)## 创建数据关系MATCH (c:Customer),(o:Order)WHERE c.customerID = o.customerIDCREATE (c)-[:PURCHASED]->(o)

Customer Order Graph 客户订单图

注意，订单详情始终是订单的一部分，并且它们将订单与产品关联起来——它们是一个连接表。连接表总是数据关系的标志，表示两个其他记录之间的共享信息。
这里，我们将直接将每个 OrderDetail 记录提升为图中的一个关系。

# 加载和索引记录LOAD CSV WITH HEADERS FROM \"https://data.neo4j.com/northwind/order-details.csv\" AS rowMATCH (p:Product), (o:Order)WHERE p.productID = row.productID AND o.orderID = row.orderIDCREATE (o)-[details:ORDERS]->(p)SET details = row,details.quantity = toInteger(row.quantity)# queryMATCH (cust:Customer)-[:PURCHASED]->(:Order)-[o:ORDERS]->(p:Product), (p)-[:PART_OF]->(c:Category {categoryName:\"Produce\"})RETURN DISTINCT cust.contactName as CustomerName, SUM(o.quantity) AS TotalProductsPurchased# 客户Pedro Afonso的订购订单的产品MATCH (cust:Customer{contactName:\"Pedro Afonso\"})-[:PURCHASED]->(o:Order)-[:ORDERS]->(p:Product)RETURN cust,o,p

数据概览 语法

# 计算所有节点MATCH (n) RETURN count(n)// 计算所有关系 这是--两个 - MATCH ()-->() RETURN count(*)// 显示约束和索引:schema

计算所有节点

MATCH (n) RETURN count(n)

计算所有关系

MATCH ()–>() RETURN count(*)

显示约束和索引

:schema

列出节点标签

CALL db.labels()

Table 表格Text 文本Code 代码╒══════════╕│label │╞══════════╡│\"Database\"│├──────────┤│\"Message\" │├──────────┤│\"Product\" │├──────────┤│\"Category\"│├──────────┤│\"Supplier\"│├──────────┤│\"Customer\"│├──────────┤│\"Order\" │└──────────┘

列出关系类型

CALL db.relationshipTypes()

╒════════════════╕│relationshipType│╞════════════════╡│\"SAYS\" │├────────────────┤│\"PART_OF\" │├────────────────┤│\"SUPPLIES\" │├────────────────┤│\"PURCHASED\" │├────────────────┤│\"ORDERS\" │└────────────────┘

DB中 实体中存在的相关的是什么，以及如何调用

db.schema.visualization()

存在哪些节点

// 存在哪些节点类型 // 抽取一些节点，报告每个节点的属性和关系计数

// What kind of nodes exist// Sample some nodes, reporting on property and relationship counts per node.MATCH (n) WHERE rand() <= 0.1RETURNDISTINCT labels(n),count(*) AS SampleSize,avg(size(keys(n))) as Avg_PropertyCount,min(size(keys(n))) as Min_PropertyCount,max(size(keys(n))) as Max_PropertyCount,avg(count{ (n)-[]-() } ) as Avg_RelationshipCount,min(count{ (n)-[]-() } ) as Min_RelationshipCount,max(count{ (n)-[]-() } ) as Max_RelationshipCount

列表函数（只读）

// List functionsSHOW FUNCTIONS

列表程序（只读）

// List proceduresSHOW PROCEDURES