当前位置：首页 > news >正文

neo4j图数据库基本概念和向量使用

news 来源：原创 2025/8/5 9:59:52

一.节点

1.新建节点

create (n:GroupProduct {name:'都邦高保额团意险',description: "保险产品名称"} ) return n

CREATE：Neo4j 的关键字，用于创建新节点或关系。

(n:GroupProduct)：
n 是节点的临时别名（变量名），方便在return中引用,创建完成之后就没用了。

GroupProduct 是节点的标签（Label），用于分类节点（如 Person, Product 等）。

{name:'都邦高保额团意险',description: "保险产品名称"}
节点的属性（Properties），键值对形式：

RETURN n：
返回新创建的节点 n，用于验证操作是否成功。

2.已有节点创建关系

MATCH (a:GroupProductA {name:'保高空'}), (b:GroupProduct {name:'都邦高保额团意险'})
CREATE (a)-[:INCLUDE {restrict: "涉电及高空作业按6类可承保"}]->(b)

变量名可以随意定义,只要能区分出来两个节点的区别,简短有意义

关系名称INCLUDE: 也可以随意定义,最好是能够见名知意,最好定义统一的团队规范

关系也可以添加属性: 比如表明这个关系有什么限制条件

使用箭头 -> 表示从左到右的关系方向

3.删除节点

MATCH (n:GroupProductA {name:'保高空' })
DETACH DELETE n

4.查询节点之间的相邻节点

MATCH (startNode {属性名: 值})-[:关系类型*..N]-(relatedNode)
RETURN startNode, relatedNode

例如:

MATCH (a {name: "保高空"})-[*..1]-(b)
RETURN a,b

关键参数说明

参数	说明	示例
*	表示遍历任意深度的关系（包括直接关联和间接关联）。	-[*] 表示所有层级关联。
*..N	最大遍历深度。例如 *..2 表示遍历 1 层或 2 层关联。	-[:EXCLUDES*..2] 最多找两跳关联。
-[]->	单向遍历（从左到右）。	(a)-[:PARENT_OF]->(b) 只找 a 的子节点。
<-[]-	反向遍历（从右到左）。	(a)<-[:CHILD_OF]-(b) 找到 b 的父节点。

注意事项

性能问题：遍历深度（如 *..N）越大，查询耗时越长，建议根据需求限制深度。
方向性：若关系是单向的（如 EXCLUDES），需注意方向（如 ()-[:EXCLUDES]->()）。

属性唯一性：确保查询的属性（如 product_id）是唯一标识符，否则可能返回多个节点。

5.对已创建好的节点添加属性

MATCH (a:GroupProductA {name:'保高空' })
SET a+= { embedding: [] }
RETURN b;

二.节点向量存储和检索

1.节点需要添加向量数组

可以选择一开添加节点的时候加一个向量属性

create (n:GroupProductA {name:'保高空',description: "保险产品可以保高空作业",embedding: [向量的具体值]}) return n

或者后续添加

MATCH (a:GroupProductA {name:'保高空' })
SET a+= { embedding: [向量具体数值] }
RETURN b;

2.给节点增加向量索引

CREATE VECTOR INDEX 索引名称 IF NOT EXISTS
FOR (具体的节点标签)
ON n.embedding
OPTIONS { indexConfig: {
`vector.dimensions`: 向量维度数值,
`vector.similarity_function`: 向量计算方法
}}

例如:

CREATE VECTOR INDEX HighDutyIdx IF NOT EXISTS
FOR (n:HighDuty)
ON n.embedding
OPTIONS { indexConfig: {
`vector.dimensions`: 1536,
`vector.similarity_function`: 'cosine'
}}

3.计算向量余弦相似度

MATCH (a:GroupProductA)
WHERE a.embedding IS NOT NULL
WITH n,
// 计算向量余弦相似度或欧氏距离
vector.similarity.cosine(n.embedding, [0.1, 0.2, ...]) AS similarity
RETURN n.name, similarity
ORDER BY similarity DESC
LIMIT 10;

4.查询两个节点的向量相似度

MATCH (a:GroupProductA {name: '保高空'})
MATCH (b:GroupProductA {name:'团意'})
RETURN vector.similarity.cosine(a.embedding, b.embedding)

5.查询所有向量索引

SHOW VECTOR INDEXES

6.删除指定向量索引

DROP INDEX moviePlots

三.RAG向量检索最佳实践

1.先查询出所有符合的向量节点,有个阈值,比如大于0.8的查询出所有符合的节点

2.然后再通过这些符合的节点,根据节点之间的关系,找到想要查询出来的节点属性

3.根据查询出来的节点属性和用户问题,给大模型总结