Neo4j：一种更简单的方式构建知识图谱

前言

在之前的文章中，我们探讨了使用 LlamaIndex 查询 NebulaGraph 时的 7 种查询策略。在本文中，我们将尝试使用全新的 Llama Pack for Neo4j，并了解如何在 Neo4j 中应用这 7 种查询策略。

首先，让我们了解一下Neo4j，并对比 NebulaGraph 。

NebulaGraph vs Neo4j

可扩展性

• NebulaGraph：具有水平可扩展性。它是一个分布式图形化数据库，可以在集群中添加更多节点来实现横向扩展。支持跨多个服务器的数据自动分片。非常适合用于处理数十亿个顶点和数万亿条边的大型数据集。

• Neo4j：Neo4j 随着分片数据的增长而扩展，通过分片将单个逻辑数据库划分为多个较小的数据库。在 Autonomous Clusters 上运行分片，可实现对非常大的图的无限横向扩展。

性能

• NebulaGraph：针对大型数据集设计，以实现快速查询执行。

• Neo4j：提供良好的性能，尤其适用于较小的数据集。然而，在非常大型图的情况下，可能不如 NebulaGraph 高效。

查询语言

• NebulaGraph:：使用 nGQL 的查询语言，基于 openCypher。nGQL类似于 SQL，但专门设计用于图数据库。它提供了一组丰富的功能用于遍历和分析图形数据。

• Neo4j：使用 Cypher 的查询语言，同样是一种专门用于图的语言。

用例

• NebulaGraph:：适用于需要高度可伸缩性和性能的应用，如社交网络分析、欺诈检测和知识图管理。

• Neo4j：适用于需要性能和易用性平衡的应用，如实时推荐、主数据管理和身份和访问管理。

部署

• NebulaGraph：可以在本地部署或在云中部署，支持多种部署选项，包括 Docker 和 Kubernetes。

• Neo4j：也可以在本地或云中部署，提供名为 Neo4j Aura 的托管云服务。

社区和支持

• NebulaGraph：拥有不断壮大的用户和开发者社区，提供文档、教程和支持论坛。

• Neo4j：拥有更大更成熟的社区，提供广泛的文档、培训课程和商业支持选项。

总体而言，NebulaGraph 适用于需要高度可伸缩性和性能的应用，而 Neo4j 适用于需要性能和易用性平衡的应用。

Neo4j 知识图查询的 7 种策略

与 NebulaGraph 相同，这 7 种查询策略也可以应用于 Neo4j。关于每种策略的详细解释，请参考文末参考链接。接下来基于 Neo4j 的 7 种策略：

1、KG 基于向量的实体检索

这种查询策略使用向量相似性查找知识图中的实体，提取链接的文本块，并可选地探索关系。

query_engine = neo4j_index.as_query_engine()