一、Neo4J数据库介绍
1、题外话
什么是知识图谱？
百度百科：知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用 可视化技术描述知识资源及其载体，挖掘、分析、 构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、 图形学、信息可视化技术、 信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、 前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
简单说来，知识图谱就是通过不同知识的关联性形成一个网状的知识结构，而这个知识结构，恰好就是人工智能AI的基石。当前AI领域热门的计算机图像、语音识别甚至是NLP，其实都是AI的感知 能力，真正AI的认知 能力，就要靠知识图谱。
知识图谱目前的应用主要在搜索、智能问答、推荐系统等方面。知识图谱的建设，一般包括数据获取、实体识别和关系抽取、数据存储、图谱应用都几个方面。
2、什么是Neo4J
知识图谱由于其数据包含实体、属性、关系等，常见的关系型数据库诸如MySQL之类不能很好的体现数据的这些特点，因此知识图谱数据的存储一般是采用图数据库（Graph Databases）。
- Neo4j是其中最为常见的高性能的 NoSQL 图数据库，它将结构化数据存储在网络（从数学角度叫做图）上而不是表中。Neo4j 也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。
- Neo4j是一个世界领先的开源的基于图的数据库。 它是使用Java语言完全开发。
特点：
- 开源的（社区版开源免费）
- 无模式（不用预设数据的格式，数据更加灵活）
- noSQL（非关系型数据库，数据更易拓展）
- 图数据库（使用图这种数据结构作为数据存储方式）
说明：
从Neo4j 3.5开始，企业版源代码将不再发布到开源公共资源，包括未来版本。不会影响Neo4j社区版。Neo4j将继续提供世界上最好，最全面的图形数据库作为开源。不会影响客户，合作伙伴，OEM或Neo4j桌面用户。来自Neo4j之外的代码贡献在早期版本中仍然可用作开源。
3、图数据库的概念
图数据库也称为图形数据库或者图形数据库管理系统或GDBMS。
是以图结构的形式存储数据的数据库，基本概念是图，以节点，关系和属性的形式存储应用程序的数据，在这里我们用一个简单的例子来介绍图：
图例
如下就是一个图，图中包含的信息是：一位名为 Gods_Dusk 的用户，撰写了两门霍格沃兹课程，其中一门叫做 《Python 机器学习玩转 Flappy Bird 游戏》，所属学科是机器学习和 Python，另一门课程叫做《图数据库 Neo4j 基础入门》，所属学科为 Neo4j。同时该用户参加了第 23 期 Python 楼赛，获得了第二名。
另一名用户为云课管理员，用户 ID 为 1。
图片描述
- 节点
节点通常用于表示实体，实体的概念来自哲学，现实世界中的客观事物、抽象的事件均可称之为实体。节点是组成图的最小单位。
- 标签
标签用于分类节点，如所有用来表示蓝桥云课课程的节点都可以使用标签：课程进行标记。在 Neo4j 中，就可以根据不同标签类型进行特定节点的查询。
一个节点可以有多个标签。如用户 Gods_Dusk，既是霍格沃兹用户，也是霍格沃兹作者；用户 云课管理员，既是霍格沃兹用户，也是霍格沃兹员工。
- 关系
图中的边表示关系，关系连接两个节点，如撰写关系，将《图数据库 Neo4j 基础入门》课程和用户 Gods_Dusk 相连接起来。
关系具有方向性，如《图数据库 Neo4j 基础入门》属于 Neo4j 类型的课程，而反之不成立，但只需要注意到关系的方向，就不需要在相反的方向上添加重复的关系，即 Neo4j 类型的课程包含《图数据库 Neo4j 基础入门》。
被关系连接的两个节点，其中关系的起始节点被称为出节点，关系的终止节点被称为入节点。同时，一个节点的出度是指这个节点被多少关系作为出节点，同理，入度是指被多少个关系作为入节点。
特别的是，一个节点可以有指向自己的关系，比如用户 Gods_Dusk 认识自己。
- 关系类型
关系与节点一样具有类型划分，但关系有且仅有一种关系类型。
- 属性
属性是用于描述节点和关系特性的名称 - 值对。 如一个用户，具有属性：用户名 - Gods_Dusk，用户 ID - 812252。
- 路径与遍历
在图中，查询过程是路径搜索与遍历的过程，如 “Gods_Dusk 写过哪些课？”，为了获得答案，就需要先从图中找到用户名为 Gods_Dusk 的节点，然后找到类型为撰写的关系，这些关系的出节点就是答案，在这里路径的搜索长度为 1。而问题“Gods_Dusk 写过的课程都是属于哪些类型？”的搜索长度为 2。
4、关系型数据库与图数据库的区别
（1） 存储模型不同
关系型数据库在表中存储信息（行/列）。每个实体都有一个表（如：账户，人员等），在一个实际的应用中，关系型数据库通常会有几十甚至几百张表。
在图数据库中，所有的信息存储为点和边的集合，而不是存在二维的表格中。这样每个点和边均可存储一系列属性，见下图：
（2） 查询模型不同
关系型数据库主要的计算模型是基于扫描行（select），连接行（join），过滤行（filter）等。
而图数据库的计算模型是从一系列的初始点开始，通过多步遍历图形。每一步从当前的节点开始，遵守一定的关联关系（边）到达相邻点。
（3） 分析模型不同
关系型数据库适合一两个表的简单数据查找以及描述性统计，他不太适用预测性和探测性的分析。例如：你很难编写SQL来回答一下的问题：“这三个用户如何关联？”，“点A和点B之间最短路线是什么？”
而在图数据库中，上述的问题都能得到自然，高效的表达和解决。
（4） 实时查询性能不同
在关系型数据库中，每个表采用物理分隔的方式存储，因此，建立两个表之间的关联慢而且需要中间表过度。大家都知道表和表之间，是不应该存在多对多的关系的。一旦有了多对多的关系，是需要增加中间表来应对的。
而图数据库中，关于点的一切都已经有了关联性，因此，查询性能大大提高。
5、图数据库的优缺点
（1）优点
-
图数据库可以直观地表达数据之间的关系，而不需要建立复杂的中间表或进行多次连接操作。
-
图数据库可以高效地进行图遍历查询，即从一个或多个初始点开始，沿着边的方向访问相邻的点，这样可以快速地找到两个或多个实体之间的关系或路径。
-
图数据库可以支持复杂的分析任务，例如预测性和探索性的分析，例如寻找社区结构、最短路径、最大流等。
-
图数据库可以灵活地适应数据模型的变化，因为它没有固定的表结构或模式，可以随时添加或删除点和边及其属性。
（2）缺点
-
图数据库需要更多的存储空间，因为它需要存储点和边及其属性的信息，而不是简单地存储值。
-
图数据库需要更多的内存和计算资源，因为它需要在内存中维护图的结构和索引，以及执行复杂的图算法。
-
图数据库的标准化程度较低，因为它没有统一的查询语言或接口，不同的图数据库可能有不同的实现和功能。
6、 图数据库不等于图计算
图算法： 图算法是一种基于图结构进行数据分析和挖掘的方法，可以解决复杂且快速变化的网状数据问题。图算法包括路径算法、社区发现算法、相似度算法、中心性算法等，可以应用于最短路径计算、社交影响力分析、商品推荐、网络安全等场景。
图数据库： 是一种用来存储和处理图这种数据结构的数据库。图是由点和边组成的，点表示实体，边表示实体之间的关系。图数据库可以用来表达现实世界中复杂的关联数据，例如社交网络、知识图谱、推荐系统等。
7、什么是图？
（1） 加权图是什么？
由点和边所构成的图，还可以给边加上一个值。这个值就叫作边的“权重”或“权”，加了权的图被称为“加权图”。
没有权的边只能表示两个点的连接状态，而有权的边就可以表示顶点之间的“连接程度”。这个“程度”是什么意思呢？
就是根据“图”的内容不同，“程度”表示的意思也不同。比如在地铁线路中，如果把车站与车站间的票价加在边上，就能在“图”中看出乘车费了。
（2） 有向图是什么？
有向图：
当图中的边有明确的方向时，且在图中的各类操作可以利用这种方向的时候，我们称其为有向图。例如，区块链就是典型的有向无环图，英文简称为DAG（Directed Acyclic Graph）。以DAG的方式，可以追溯每一笔比特币的流向、分布、归属。
无向图：
无向图指的是忽略了边的方向。在实际的图数据库实现中，通常都采用双向边存储的方式来实现无向图。
（3） 图能给我们带来什么？
在进入21世纪之后，你所知道的Facebook、Google、linkedin等科技巨头，都是在使用图技术来蓬勃发展业务的。目前我们国内的企业，诸如字节跳动、华为等互联网公司，也在用该技术创新业务。当然，图算法在我们的日常生活中，亦带来很多思维上的乐趣与指引，比如你打算租房，那么如何在公司、家与交通线以及租金等问题上，达成一个和谐且节省（性价比最优）的答案呢？就可以用图来解决哦~!
8、 图数据库有什么用
社交领域： Facebook, Twitter用它来进行社交关系管理、好友推荐；
徐庶和司马徽向刘备推荐诸葛亮可以通过下图形象地展示；
电商领域： 华为商城、拼多多、淘宝、京东用它来实现商品实时推荐；
通过分析目标用户和其他用户的喜好商品，找到相似的其他用户，把这些用户购买过的商品推荐给目标用户。
金融领域： 中国工商银行、摩根大通用它来做风控管理；
金融领域对图数据库的需求很迫切，以贷款为例，在整个贷款周期中，图数据库都能发挥巨大的作用。
安平领域： 公安用它来进行嫌疑关系审查、犯罪团伙挖掘
东汉末年，曹操刺杀董卓，貂蝉挑拨董卓父子关系，吕布斩杀董卓，但是董卓却不知道，这些事件幕后主凶之一都有王允，如下图所示。现实中也可能是这样，幕后真凶可能与目标案件没有直接关系，只有间接的关系。
9、 图数据库如何存储、查询、分析
- 图存储
图数据库如何存储图，对查询和分析效率至关重要。图数据库使用图模型来操作图数据。所谓的图模型是指图数据库描述和组织图数据的方式。
目前主流的图数据库选择的图模型是属性图。属性图由点、边、标签和属性组成，我们结合一个具体的属性图实例来看一下。
以上属性图可以帮助我们理解一些相关概念：
1） 可以为点设置标签，比如 person, war等，拥有相同标签的点我们认为它们属于一个分组，是一个集合，这样刘备和曹操属于一个分组；
2） 同样可以为边设置标签，标签可以为 relation等；
3） 节点可以拥有很多属性，比如 style name、year等，这些属性值以键值对的形式表示，例如：刘备的style name是玄德；
4） 边也可以拥有属性，比如army等；
5） 边允许有方向，例如刘备和汉中之战之间的边的方向是由刘备指向汉中之战的；
6） 元数据是用来描述点和边的属性信息的，元数据由若干标签组成，每个标签由若干属性组成。
- 图查询
如果我们想知道刘备的籍贯在哪，刘备和曹操是什么关系，汉中之战的发动方是谁等等，这些都属于图查询的范畴。
我们知道，SQL是关系型数据库的查询语言，但是图数据库的查询语言并没有复用SQL。这是因为本质上图数据库处理)的是高维数据，而SQL所适用的是二维的数据结构，其并不擅长关系的查询和操作。使用专门的图查询语言比SQL更加高效。
目前主流的图查询语言包括Gremlin和Cypher等。
- 图分析
图分析是指通过各种图算法来挖掘图信息的一门技术。
核心的图算法可以分成三类：路径搜索类、中心性分析类和社区发现类。
路径搜索是探索图中节点通过边建立的直接或间接的联系。例如在下图中，通过路径搜索，我们发现了这样一条路径：孙策-[夫妻]-大乔-[姐妹]-小乔-[夫妻]-周瑜,据此得知孙策和周瑜是连襟的关系。路径搜索类算法广泛用于物流配送、社交关系分析等场景。
中心性分析是指分析特定节点在图中的重要程度及其影响力。例如在上图中，直观来看，孙权是一个重要的人物，因为与他直接相连的边的数量最多。中心性分析类算法一般用于网页排序、意见领袖挖掘、流感传播等场景。
社区发现意在发现图中联系更紧密的群体结构，可用于犯罪团伙挖掘等场景。如果把更多三国人物和关系加到上图中，利用Louvain等社团挖掘类算法，我们很容易发现这些人物分属三个阵营，如下图所示。 社区发现类算法
