如何将图数据库应用于智慧图书馆——创邻科技GALAXYBASE

导读：近年来，各学科及企业在机器学习、深度学习、知识图谱等人工智能方面的研究正如火如荼地展开，图书馆也从信息化向智能化转变。当下图书馆信息化建设水平高，读者与图书馆交互数据充分，积极运用数据挖掘、人工智能技术，可以加速图书馆智能化转变的进程，有助于进一步满足读者需求、提高图书馆资源使用效率，从而提升智能化服务水平。

目前，图书馆的大数据分析与智能化应用水平难以满足用户精准推荐、知识服务等需求。本文运用图数据库技术构建复杂网络，探索图数据库在用户画像、推荐系统与智能问答等图书馆智能化应用领域的应用。

复杂网络依托于图数据库进行存储和应用。Galaxybase作为国内首款拥有全自主知识产权的企业级图数据库，以节点、关系为基础数据结构，能够描述绝大部分图的使用场景。

建模

Galaxybase图数据库的底层存储具有以下特征：

• 包含节点和关系；

• 节点和关系均有属性；

• 关系可以是单向或双向。

图书馆的网络结构可以抽象为节点（读者、图书、作者等实体）和关系（借阅关系、写作关系等）。点类型和点属性如下表所示。

边类型、起始点类型、终止点类型、边属性如下表所示。

建模后如下图所示。

将上面建立的图数据库模型实例化，可以得到图书馆资源信息实例图。

更多建模方式请参考大数据时代建模——图数据库建模_创邻科技-CSDN博客。

数据导入

建立图模型后，Galaxybase支持一键导入各种类型的数据文件，例如：HDFS、MySQL和CSV等各类数据源。导入方式有Cypher语句导入、galaxybase-load工具导入。

Galaxybase图数据库集成可视化前端，开启可视化图前端服务后，图数据库的查询和可视化操作在前端页面实现。

Cypher语句导入

图数据库数据导入有多种方式，例如：使用Cypher “LOAD CSV” 、“CREATE”语句。

LOAD CSV WITH HEADERS FROM 'http://www.chuanglintech.com/public/company.csv' AS line

CREATE (:company { name: line.Name, year: toInteger(line.Year)})

导入命令如下图所示。

galaxybase-load工具导入

使用命令行工具“galaxybase-load批量加载工具”，将整理好的CSV文件导入进库，速度能达到57万（点数量+边数量）/s。

应用场景

使用图数据库能够实现图书馆多平台大数据融合，将多元异构数据进行连接和整合，对来源不同、标准不同的数据进行统一管理，使数据挖掘起到“1+1>2”的效果。

在图书馆大数据中运用图数据库技术融合读者个人信息、浏览记录、借阅记录等多元数据进行综合分析能够增进对用户的了解，精准把我读者属性与偏好，能够充分运用到用户画像、个性化推荐以及知识问答等智慧化服务领域。

用户画像

用户画像是一种从海量数据中获取的、由用户信息构成的形象集合。图书馆场景下的用户画像存在数据稀疏、缺乏互联的问题，没有充分利用数据的关联性。

建立包含了用户、图书、交互等数据资源的图数据库，运用社区发现算法可以实现用户的聚类，运用中心性算法（如PageRank）可实现读者节点影响力分析等，准确把握读者之间的潜在关联与特征，提升图书馆服务质量、精准营销。

个性化推荐

由于大多高校图书馆缺乏读者对图书的打分数据，仅包含借阅数据，而读者的专业、学院以及图书的类别、分类号等属性相对稳定，基于内容的推荐难以实现动态、千人千面的推荐列表。

根据同一作者的书籍进行相似性推荐、基于图书的分类号实现基于内容的推荐、以及发现阅读偏好相近的其他读者的阅读列表实现聚类推荐等，如下图所示。

读者1借阅了图书B，根据图书B的书籍类别（短篇小说），为读者1推荐了图书D；根据图书B的作者姓名，为读者1推荐了图书C；根据读者1和读者2的相似阅读偏好，为读者1推荐了图书F。

智能问答

在人工智能等技术日益发展的背景下，问答系统是图书馆智能化参考咨询问答服务的技术基础。问答系统的实现思路是将自然语言中的语义关系表示为图，从而将自然语言问句转化为子图匹配的问题，如下图所示。

-END

感兴趣的朋友可以关注我们的微信公众号（搜索：创邻科技），了解更多图数据库前沿技术。