图数据库Neo4J的使用

《图数据库Neo4J的使用》由会员分享，可在线阅读，更多相关《图数据库Neo4J的使用（8页珍藏版）》请在装配图网上搜索。

1、图数据库Neo4J的使用吴斌 1，图数据库Neo4J的介绍：Neo4J是个开源的图数据，很好用，轻便灵活，嵌入式，功能强大，而且相关资料比较齐全。按照Neo4J官方网站公布，该数据库可以支持数十亿的节点数：massively scalable, up to several billion nodes/relationships/properties而且支持分布式部署，Master,Slave。对Neo4J的性能和可用性的介绍：Neo4J的CEO有个视频简单介绍Neo4J：2，安装：Neo4J的安装使用非常简单。下载一个稳定版本，解压，运行Neo4j.bat（windows版本） 即可。下载地址

2、 ， 目前比较好用的稳定版本是。然后可以访问WEB管理界面，地址：http:/localhost:7474/webadmin3，Neo4J的使用方式包括：1）可以写程序，添加，更新，用JAVA，Python，PHP, .NET等语言都可以实现。2）可以用命令行，添加，更新，查看，Neo4J提供基于WEB的执行界面，提供类SQL语言执行，这些语言包括Cypher，Gremlin等。 如下图：3）可以基于Neo4J提供的WEB UI界面添加，更新节点和关系，如下：4) 可以使用附加工具（ETL）导入数据。也可以从关系数据库中导入数据。4，使用JAVA访问Neo4J：学习材料：Neo4J中节点，边，

3、都可以任意添加属性，边（关系）的可以自定义，是个枚举值，举例：firstNode = graphDb.createNode();firstNode.setProperty( message, Hello, Node A , );secondNode = graphDb.createNode();secondNode.setProperty( message, The Graph DB World! Node B );relationship = firstNode.createRelationshipTo( secondNode, RelTypes.KNOWS );relationship.s

4、etProperty( Reason, Use Neo4j for testing Edge , );还有一点很重要，Neo4J可以支持自定义节点类，就是说你可以按照你的需要设计Class做节点，也就是说你可以给每个节点增加任意方法，实现任意功能，这个功能的扩展性非常强。而且Neo4J提供嵌入式程序的能力，你可以把它当做一个Lib来使用，可以在保留其他应用开放方式的情况下，提供图数据库的强大能力。其例子socnet可以在Neo4J的网站上查找。5，Cypher介绍：Cypher是Neo4J自己提供的一种高效类SQL语言，用于图数据和关系查询。关系查询采用一种模式匹配的方式，比较直观。很好的学习

5、材料：这个Video讲的很清楚：创建节点：（每个Node，系统会自动建立一个唯一的id，不可修改。下面的ID是Node的属性。）createn=name:Motion,ID:M001returnn;创建关系：startn=node(14),m=node(20)createm-r:KNOWS-nreturnr;查询：按id查询(这里的id是系统自动创建的)：startn=node(20)returnm;查询所有节点：startn=node(*)returnn;查询属性，关系：start n=node(9) return n,n.name,n.ID,n.level; /查看指定节点，返回需要的属性

6、start n=node(*) match (n)-r:SubClassOf-m return m,n,n.name,n.ID,r; /查找指定关系按关系查询多个节点：starta=node(14)matchb-rareturnr,b;starta=node(0)matchc-:KNOWS-b-:KNOWS-areturna,b,c; /查找两层KNOWS关系的节点start a = node(21) match b-*-a return a,b; /查找所有与a节点有关系的节点使用Where条件进行查询：（不用建立Index也可以使用）start n=node(*) where n.name

7、=Activity return n;并且可以使用特定符号：start n=node(*) where n.ID?=A* return n; startn=node(*)whereHAS(n.type)returnn,n.name,n.ID,n.type; /如果存在属性type，并且以A开头，就输出节点。配置文件自动建立索引：修改conf目录下的neo4j.properties文件内容如下，重启Neo4J，对重启后新建的Node生效。# Enable auto-indexing for nodes, default is falsenode_auto_indexing=true# The n

8、ode property keys to be auto-indexed, if enablednode_keys_indexable=name,ID# Enable auto-indexing for relationships, default is falserelationship_auto_indexing=true# The relationship property keys to be auto-indexed, if enabledrelationship_keys_indexable=KNOWS,SubClassOf建立索引后可以用node_auto_index按属性值查询

9、：start n=node:node_auto_index(name=C) return n,n.name;修改属性值：start a = node(*) where a.name=a set a.name=A return a,a.name ;startn=node(0)setn.name=Root,n.ID=001; /给默认的根节点添加name,ID属性，便于查询。删除：删除所有节点和关系：START n=node(*) match n-r-()delete n,r;6，图形化显示数据：Neo4J自身提供WEB界面的图数据图形化展现工具，很Cool。这个Video讲的具体：在WEB管理h

10、ttp:/localhost:7474/webadmin的“Data Browser”图形化显示区点Style，NewProfile，编辑自己的Profile，注意Add filter的 Nodes要放在前面，不然不生效，Rules是顺序执行的，显示多个属性可以用;号做换行符。看我做的一个User Model Ontology 关系模型：User Model 与数据源的Ontology关系，左边圆圈是UserModel，右边方框是数据源：在Data Browser上直接输入节点编号，如10，点图形化显示，就可以图形化看到该节点和有关系的节点，点每个节点，就可以逐步显示所有节点和关系，非常方便：

11、7，备份Neo4j的数据:1)停掉数据库.2)备份D:Neo4Jneo4j-enterprise-1.9.1data目录下graph.db目录中的所有内容.3)在服务器上拷贝graph.db目录中的内容到新的服务器的相同目录中,启动即可.8，为什么使用图数据库？这个问题，欢迎你跟我交流。图数据库的扩展性，灵活性非常好，适合用于复杂关系管理和关系查询推理，社交关系应用就是一个可选的应用场景。 而我选择图数据库，起因是研究语义网和Ontology的应用，语义网和Ontology的数据结构（三元组）就是图结构数据，而基于RDF构建的语义网，过于复杂，效率很低，实际上不如基于图数据库的构建方便好用，而

12、且Neo4J支持RDF，SPARQL等扩展。另外，我认为OWL，实用价值不大，OWL几乎就是用XML来描述一种面向对象的编程语言，而这种编程语言如果表示能力过强（OWL Full），根本无法实现，如果表示能力过弱（OWL Lite），其实没有多少实用意义。而且，我觉得Tim Berners-Lee的语义网，即基于RDF的语义WEB，用RDF描述语义的这种思路走向了以前基于规则的NLP的思路，虽然加上Human Computation 众包的模式，但还是很难走通。我更关注的是本体关系，知识库的构建，而且知识本体主要是Meta Data，不需要很多数据，尽量不要保存instance data，获取

13、instance data可以关联其他数据库的数据源进行查询（这种数据Key-Value或Table保存即可）。简单的关系推理，属性传递，其实就是查询，Neo4J中Cypher也可以完成。所以，我倾向于用图数据库来构建知识库knowledge base (KB)，或knowledge graph (KG)。知识库对于知识关联查询进行相关搜索或关联推荐，比较有价值。而且，从知识本体关系库中可以推理得到规则， 比如，If Place is Meeting Room and Date is Workday and Than Activity is Meeting. 这样的规则是可以从本体关系中查询得到的，规则可以在很大程度上弥补基于统计的计算学习的许多不足。 更大的作用，我觉得图数据库是一种 “合理的知识保存和描述的方式”，有利于知识的持续积累和不断演进。另外，在未来，知识本体，与模型算法建立关系，如果能在合适的关系条件下，使用正确的算法模型，那将发挥真正的巨大作用，那就离”智能“很近了。