【Mac 实战】简单知识图谱搭建步骤详解（Neo4j + py2neo）

（1）安装neo4j

安装了Homebrew直接在终端输入以下命令即可

安装后，Neo4j 浏览器可通过 http://localhost:7474 访问。

（2）登录neo4j

【1】在登录页面填写信息：Connect URL：输入 neo4j://localhost:7687Authentication type：保持为 "Username / Password"Username：输入 neo4jPassword：首次连接时输入默认密码 neo4j点击蓝色的 Connect 按钮

【2】首次连接成功后，系统会强制要求修改默认密码：当前密码：neo4j设置一个新的安全密码（请务必记住）

【3】测试连接

连接成功后，在顶部的命令行中输入 Cypher 查询语句，例如：

2、neo4j 快速入门

【1】我们点击左边栏的星星图标，在Example Graphs中选择Movie Graph，点击运行，就会弹出一个关于电影图谱的教程

【2】创建图谱

点击灰色代码框，创建图谱的代码会自动复制到代码框

点击运行，即可看到创建的电影图谱

【3】查找

下面是一些关于查找的语句：查找名叫Tom Hanks的演员查找标题为Cloud Atlas的电影查找10个人查找在20世纪90年代上映的电影

【4】询问

后续还有一些查询语句教程不一一列举了，感兴趣的同学可以自行运行。

3、neo4j 基本操作

接下来我们以【麦当劳】为背景，用Neo4j的Cypher查询语言演示基本增删改查操作。

下面我们建立一个简单的图谱，包含两种节点和一种关系：

节点类型1：餐厅
- 属性：名称，地址，开业年份
节点类型2：产品
- 属性：名称，价格，类别
关系类型：供应
- 属性：自何时起供应

（1）增操作

【1】创建节点

【2】创建关系

（2）查操作

【1】查找所有餐厅

【2】查找特定餐厅供应的所有产品

【3】查找供应可乐的所有餐厅

因为前面没有创建这么多关系，下面只做操作语法展示

【4】多跳查询 - 查找与MC销售同类产品的其他餐厅

因为前面没有创建这么多关系，这里只做操作语法展示

【5】路径查询 - 查找两家餐厅通过共同产品产生的关联

（3）改操作

【1】更新节点属性

【2】新增节点属性

【3】更新关系属性

（4）删操作

【1】删除关系

【2】删除节点（必须先删除其所有关系）

【3】删除所有节点

通过以上麦当劳的例子，我们可以看到Neo4j的操作非常直观：CREATE/ MERGE：对应SQL的INSERT，用于创建节点和关系。MATCH：对应SQL的SELECT ... FROM，是查询的起点，用于定位图形中的模式。WHERE：对应SQL的WHERE，用于过滤结果。SET：对应SQL的UPDATE，用于更新属性。DELETE/ DETACH DELETE：对应SQL的DELETE，用于删除元素。

Neo4j的核心优势在于通过MATCH子句描述关联模式，例如(餐厅)-[供应]->(产品)，这使得查询复杂的关系网络变得简单和高效。

4、安装py2neo

py2neo 是 Python 连接和操作 Neo4j 图数据库的主要工具库，适用于需要处理复杂关系数据的应用场景。

二、数据预处理

数据预处理包括数据清洗、实体识别等步骤，目的是将原始数据转换为适合构建知识图谱的格式。

1、数据清洗

数据质量要求：补全缺失值：对于明显缺失的信息（如设备型号），可以标记为【缺失】或根据上下文推断。格式标准化：将日期统一为【YYYY-MM-DD】格式。去除重复值：删除重复的条目

2、知识建模

我们需要从业务角度理解数据，设计出合理的图谱结构。（1）识别实体

实体是知识图谱中的【节点】。在我的数据集中，可以识别出以下主要实体类型：订单记录：核心实体，每一笔订单就是一个销售事件。产品：订单中的商品。例如，“生日蛋糕”、“马卡龙”、“手冲咖啡”。数据中【产品名称】和【产品类别】是其属性。配方标准：制作产品的依据和标准。数据中【配方名称】、【配料序号】、【制作要点】等是其属性。客户反馈：客户对订单或产品的评价与建议。促销活动：与订单关联的营销方案。门店：订单发生的背景。

（2）识别实体属性

属性是描述实体的键值对。订单记录 的属性：下单时间、订单描述、订单金额、是否加急、订单状态、支付方式、配送地址。产品的属性：产品名称、产品类别、规格、单价、保质期、产品编号。配方标准 的属性：配方名称、配料序号、制作步骤、所需时间、适用产品。客户反馈 的属性：反馈内容、评分。促销活动 的属性：活动名称、折扣力度、适用条件。门店的属性：门店地址、营业时间、联系电话。

（3）识别关系

关系是连接实体的边，是图谱价值的体现。门店 -- 提供 --> 产品订单记录 -- 产生于 --> 门店订单记录 -- 包含 --> 产品订单记录 -- 触发 --> 促销活动订单记录 -- 收到 --> 客户反馈产品 -- 依据 --> 配方标准配方标准 -- 适用于 --> 产品

三、搭建知识图谱

下面代码为简化后的模板代码，需要根据自己的数据集进行修改后再运行。

运行后效果如下图：

从 Python 地狱到 ComfyUI 成功启动：一次完整的 Windows AIGC 环境排错实录

前言在 Windows 平台部署 ComfyUI 时，很多用户都会遇到类似问题： Python 已安装、CUDA 驱动正常、显卡也能识别，但 ComfyUI 仍然无法正常启动，或在启动器与命令行之间反复报错。这些问题往往并非某一步操作失误，而是 Python 版本不一致、CUDA 与 PyTorch 构建不匹配，以及启动器未正确使用虚拟环境等因素叠加造成的结果。本文将围绕 ComfyUI + 绘世启动器的典型使用场景，系统梳理以下三个高频问题： * Python 多版本共存导致的环境错位 * CUDA / PyTorch 无法正确识别 GPU * 启动器与命令行运行环境不一致并给出可复现、可验证、适合新手操作的解决方案，帮助你在 Windows 环境下，先把 ComfyUI 的基础运行环境彻底跑稳。本文聚焦基础python环境配置问题，插件与扩展相关内容将放在后续文章中单独说明。

知网AIGC检测算法2026大升级：新规则解读+应对策略

2025年12月，知网悄悄升级了AIGC检测算法。很多同学发现，以前能通过的论文，现在突然被检测出高AI率。这篇文章帮大家解读一下：新算法到底变了什么？我们应该怎么应对？算法升级：变了什么变化一：检测维度增加旧算法主要看三个维度：词汇特征、句法特征、文本长度分布。新算法加了两个维度：语义一致性检测：检测整篇文章的语义是否过于「平滑」。人写东西会有观点碰撞、逻辑跳跃，AI写的东西从头到尾都很顺，太顺了反而可疑。引用关联度检测：检测参考文献和正文内容的关联程度。AI有时候会「幽灵引用」，就是列了参考文献但正文里没有真正引用，或者引用的内容和文献不对应。变化二：特征词库更新知网维护着一个「AI特征词库」，记录AI喜欢用的词汇和表达方式。 2026年的更新重点关注了DeepSeek、豆包、Kimi这几个国产大模型的输出特征。比如： * 「基于……视角」 * 「在此背景下」 * 「通过……发现」 * 「研究表明」用得太频繁 * 「综合来看」「从整体而言」等过渡词这些词以前不算AI特征，

从零开始：AIGC中的变分自编码器（VAE）代码与实现

个人主页：chian-ocean 文章专栏深入理解AIGC中的变分自编码器（VAE）及其应用随着AIGC（AI-Generated Content）技术的发展，生成式模型在内容生成中的地位愈发重要。从文本生成到图像生成，变分自编码器（Variational Autoencoder, VAE）作为生成式模型的一种，已经广泛应用于多个领域。本文将详细介绍VAE的理论基础、数学原理、代码实现、实际应用以及与其他生成模型的对比。 1. 什么是变分自编码器（VAE）？变分自编码器（VAE）是一种生成式深度学习模型，结合了传统的概率图模型与深度神经网络，能够在输入空间和隐变量空间之间建立联系。VAE与普通自编码器不同，其目标不仅仅是重建输入，而是学习数据的概率分布，从而生成新的、高质量的样本。 1.1 VAE 的核心特点 * 生成能力：VAE通过学习数据的分布，能够生成与训练数据相似的新样本。 * 隐空间结构化表示：VAE学习的隐变量分布是连续且结构化的，使得插值和生成更加自然。 * 概率建模：VAE通过最大化似然估计，能够对数据分布进行建模，并捕获数据的复杂特性。

虚拟世界的AI魔法：AIGC引领元宇宙创作革命

云边有个稻草人-ZEEKLOG博客——个人主页热门文章_云边有个稻草人的博客-ZEEKLOG博客——本篇文章所属专栏 ~ 欢迎订阅~ 目录 1. 引言 2. 元宇宙与虚拟世界概述 2.1 什么是元宇宙？ 2.2 虚拟世界的构建 3. AIGC在元宇宙中的应用 3.1 AIGC生成虚拟世界环境 3.2 AIGC生成虚拟角色与NPC 3.3 AIGC创造虚拟物品与资产 4. AIGC在虚拟世界与元宇宙的技术实现 4.1 生成式对抗网络（GANs）在元宇宙中的应用 4.2 自然语言处理（NLP）与虚拟角色的对话生成 4.3 计算机视觉与物理引擎 5. 持续创新：AIGC与元宇宙的未来趋势 5.1 个人化与定制化体验 5.

一、Neo4j图数据库

1、neo4j 安装 - mac brew版