<h2 id="post-背景介绍">背景介绍</h2>
<p>作为国内领先的原生分布式图数据库，悦数图数据库率先实现了大语言模型与图查询语言应用框架的打通，用户无需使用代码，只需用自然语言就可以实现 Schema 获取、Cypher 语句生成的 Prompt、各种大语言模型（LLM） 的调用、结果的处理，学习和使用成本更低。</p>
<h2 id="post-demo-体验">Demo 体验</h2>
<iframe src="https://demo-kg-build-cn.streamlit.app/?embed=true" height="1600" style="width:100%;border:none;"></iframe>
<h2 id="post-使用说明">使用说明</h2>
<p>这个 Demo 以维基百科中的《银河护卫队3》信息为例，展示了悦数图数据库如何利用大语言模型（LLM），帮助用户通过自然语言从不同类型的信息源中抽取知识三元组，并存储到悦数图数据库中。</p>
<p>您可以点击其他标签亲自试玩图谱的可视化、Cypher 查询、自然语言查询（Text2Cypher）等功能。具体介绍可参考：<a href="https://yueshu.com.cn/posts/llm-demo">《Graph +LLM 实践指南｜如何使用自然语言进行知识图谱构建和查询》</a></p>
<p>不用多说，一起来体验使用自然语言实现知识图谱构建&查询的乐趣吧～</p>

以维基百科中的《银河护卫队3》信息为例，展示了悦数图数据库如何利用大语言模型（LLM），帮助用户通过自然语言从不同类型的信息源中抽取知识三元组，并存储到悦数图数据库中。

Demo 体验｜如何使用自然语言进行知识图谱构建和查询

![实时推荐系统架构](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-21.jpg)

[实时推荐系统](https://www.yueshu.com.cn/solutions/real-time-recommendation)是大数据中最具挑战性的领域之一，因为它经常需要根据实时数据做出相应的响应，以确保其对用户的价值。本文讨论了构建实时推荐系统架构所需的各种最佳实践，包括分布式处理、计算密集型和非计算密集型，以及与其他系统进行协调。 本文首先介绍实时推荐系统的概念和关键属性。然后介绍几种常用的架构方法，如基于消息传递的架构、基于模型的架构和混合模型架构，并对它们进行了比较。最后，探讨如何构建实时推荐系统架构。

### 定义

实时推荐系统可以通过多种方式处理和计算数据，包括离线处理、离线和在线计算。虽然推荐系统通常是基于离线方法构建的，但在许多情况下，它必须在数据发布之前就做出响应。当数据发布时，它需要应对突发事件。为了应对突发事件，推荐系统通常需要使用分布式处理、并行计算或非计算密集型技术来进行实时响应。

尽管实时推荐系统经常需要处理大规模的在线用户数据，但由于其对用户的价值很高，因此它必须具有一定的时效性。在大多数情况下，实时推荐系统架构必须快速响应用户的实时需求，以便及时提供个性化体验。

### 架构方法

首先，我们来看一下目前最流行的三种架构方法：

- 基于消息传递的架构：该模型使用消息传递来解决问题。为了实时地进行推荐，我们需要将数据发送到多个服务，然后基于消息传递的响应来进行计算。

- 基于模型的架构：该模型使用推荐算法来预测用户的偏好。如果预测正确，它将更新数据集并返回给用户。如果预测不正确，它将重新学习算法来迭代和优化数据集。

- 混合模型架构：该模型使用三种不同的算法进行推荐，并根据每个算法的优势和劣势进行组合。例如，如果用户有兴趣购买某种商品，则使用基于用户的方法来推荐商品列表。

这三种架构方法各有利弊。虽然每种架构都可以处理不同类型的数据，但它们都有一个共同的缺点：它们需要实时处理所有类型的数据。因此，它们在不同场景中都适用，而不是针对特定问题。

### 性能和成本

要在分布式环境中实现实时推荐系统，可以选择不同的架构方法。由于在构建实时推荐系统架构时需要考虑许多因素，因此在确定最终实现之前，还必须考虑一些其他因素。例如，考虑到业务的可伸缩性和对用户的价值，可以选择处理数据量较小的架构方法。此外，由于大多数实时推荐系统都是在线应用程序，因此必须考虑通过减少或消除数据传输来降低成本的方法。这就是为什么构建实时推荐系统架构时要考虑在计算密集型环境中执行任务和在非计算密集型环境中执行任务之间进行权衡的原因。最后，为了确保将时间和成本最小化，必须找到一种方法来最大限度地减少数据传输量。

在数字化时代，数据驱动的决策已成为企业成功的关键因素。悦数图数据库凭借其强大的原生图引擎和低延迟、高吞吐量的特性，为企业提供了构建精准营销系统的强大后盾。无论是深入剖析用户画像、实现个性化推荐，还是在其他大数据应用场景中，悦数图数据库都展现出了其优良的性能和灵活性。

结合构建实时推荐系统架构的最佳实践，悦数图数据库不仅能够帮助企业快速响应市场变化，还能通过实时数据分析，洞察用户行为，从而提供更加准确、个性化的服务。这种能力使得企业能够更好地满足用户需求，提升用户体验，进而增强用户粘性和忠诚度。

悦数图数据库凭借其强大的原生图引擎和低延迟、高吞吐量的特性，为企业提供了构建准确营销系统的强大后盾。无论是深入剖析用户画像、实现个性化推荐，还是在其他大数据应用场景中，悦数图数据库都展现出了其优良的性能和灵活性。

构建实时推荐系统架构的最佳实践

![实时推荐算法](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-20.jpg)

随着互联网的发展，用户行为变得越来越多样化。用户经常会在不同的时间、地点、平台上浏览商品，当用户打开某件商品时，不仅会浏览它的外观、颜色和材质，还会查看商品的评价信息、收藏记录等。这样，商品的信息就会越来越丰富。商家可以根据这些信息来向用户推荐更多他们想要的产品。 传统实时推荐算法将用户分为若干类，然后根据这些分类对产品进行推荐。这种方法是基于内容的实时推荐算法，它只考虑了用户的个人兴趣爱好和行为特征，而忽略了不同类型用户之间的差异。

### 协同过滤

协同过滤（collaborative filtering）是一种基于用户的协同过滤方法，它根据用户的历史行为来预测用户的喜好，从而向用户推荐相似度较高的产品。例如，如果某个人最近浏览过电影，那么他很有可能喜欢电影。在这个过程中，用户不仅需要将自己喜欢的电影与其他用户的喜好进行比较，而且还需要预测自己和其他用户喜欢的电影是否相似。这种方法是一种简单、有效、通用的推荐方法，也是当前推荐系统中最常用的一种方法。

### 内容过滤

内容过滤实时推荐算法是一种基于用户偏好的推荐算法。它将用户对内容的偏好作为推荐的依据。该算法可以在已知用户和产品信息的情况下，通过对内容的分析来发现用户感兴趣的内容。基于规则是根据内容之间的逻辑关系来进行推荐，不能自动学习到新的内容。而基于学习是通过分析已有的用户和产品信息来学习到新的内容，能自动适应新用户和新产品，具有更高的准确性。

### 基于图数据库的推荐算法

基于图数据库的实时推荐算法通过建立用户和物品之间的关系来进行推荐，利用图数据库的特点，可以把不同类型的用户和物品用不同的方式表示出来，从而更好地进行推荐。这种推荐方法是一种新兴的推荐算法，它不需要用户提供大量的信息来构建关系图，而是利用用户和物品之间的关系来构建用户和物品之间的图，然后用这种图来进行推荐。基于图数据库的实时推荐算法是一种非常流行的推荐算法。

由于图数据库是一种新型的数据库，它具有处理海量数据和分析海量数据等特点。因此，在图数据库中使用传统方法进行推荐是不可行的，因此我们必须利用其特点进行改进。

### 基于用户特征的推荐

该方法利用用户的历史行为记录，使用用户之间的相似度对用户进行聚类，然后根据聚类结果为每个用户推荐相似度最高的产品。该方法需要考虑历史行为对用户的影响，并考虑不同类型用户之间的差异。由于该方法需要考虑用户历史行为和相似性，因此需要更多的时间来处理数据。

### 协同过滤+内容过滤的组合

在传统的协同过滤方法中，通常需要大量的用户数据，然而这些数据存在较大的噪声和错误。如果能将这些数据转化为有价值的信息，将会提高推荐系统的性能。

协同过滤中的协同过滤是根据用户之间的相似性来进行推荐，它是一种非常简单有效的方法。但是这种方法也有缺点，就是无法处理新用户和新产品。

悦数图数据库以其强大的数据关联能力，为企业提供了一个全新的视角来理解和分析消费者行为。通过准确地关联消费者标签、购买行为和售卖商品等多维度信息，悦数图数据库不仅揭示了数据之间的内在联系，更在实时性上做到了极致，确保企业能够紧跟市场趋势，洞察消费者需求。

结合先进的图算法，悦数图数据库能够为客户提供准确实时的个性化推荐，这不仅是技术的突破，更是营销效率的提升。在竞争激烈的商业环境中，能够准确把握消费者需求并及时提供个性化推荐，无疑是企业获取竞争优势的关键。

悦数图数据库以其强大的数据关联能力，为企业提供了一个全新的视角来理解和分析消费者行为。通过准确地关联消费者标签、购买行为和售卖商品等多维度信息，悦数图数据库不仅揭示了数据之间的内在联系，更在实时性上做到了极致，确保企业能够紧跟市场趋势，洞察消费者需求。

图数据库实时推荐算法有哪些

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-19.jpg)

图数据库（Graph Database）是一种新兴的数据库技术，它是一种具有强大的查询能力的关系型数据库。图数据库通过使用图论中的操作来管理数据，从而支持多种查询。

随着大数据时代的到来，以图数据库为代表的图数据库已经成为数据分析和挖掘的重要工具，为企业在市场竞争中赢得先机。随着企业对图查询功能需求的日益增长，需要新一代的图查询语言来支持更多类型的数据查询，如：实体类型查询、节点属性查询等。

### 背景

GQL是一个新的图数据库技术标准，它对现有的图查询语言进行了全面的改造和升级，包括：
（1）更好的语义表达： GQL将图结构转变为简单的代码，以便用户可以轻松地表达查询语句。
（2）更好的性能： GQL使用了更少的数据存储来提高查询性能。
（3）更好的可扩展性： GQL为使用分布式方法提供了一个新的标准，以提高查询性能。
（4）更好的安全性： GQL将安全性从查询语言中分离出来，从而使其具有更高的安全性。
（5）更好的用户体验： GQL实现了对用户界面和查询语法更加友好，使用户可以更容易地使用它。

### 概述

GQL是一种查询语言，它基于图论算法来实现查询功能，可以应用在各种不同的场景中，例如：

- 通过 GQL查询可以将多个实体连接起来，形成一个复杂的图；
- 通过 GQL查询可以获取到节点的属性信息，例如：节点的属性、节点间的关系等；
- 通过 GQL查询可以得到用户关注的对象以及关注对象之间的关系；
- 通过 GQL查询可以给用户推荐相关信息，如：商品推荐等。

GQL图查询语言和 SQL查询语言类似，但是它不是一个单一的语言，而是一个包含了多个语法元素的表达式集。通过对 GQL语法元素进行扩展，用户可以使用 GQL进行多种类型的图数据查询。

### 图的定义

在图数据库中，每一个实体都对应一个边。图是一种图论，它描述了图的结构。通过对数据结构中的每个元素进行适当的操作，我们可以构建一个图。例如，如果我们有一个名为“couple”的实体，那么它对应着一个名为“couple”的边。通过定义一个索引来检索这个节点，我们可以确定它与其他节点之间的关系。

每个顶点都有一个或多个顶点边，它们可以映射到其他顶点上。同样地，我们可以将节点映射到边上。

###  GQL图查询语言的设计

设计一种名为GQL（Graph Query Language）的查询语言时，需要考虑多个方面，包括语法、功能、易用性、扩展性以及与其他系统的集成。以下是一个简化的GQL图查询语言设计指南：

语法设计

- 查询结构：定义查询的基本结构，包括查询类型（如query、mutation等）、字段选择、过滤条件、排序、分页等。
- 字段选择：允许用户指定要检索的字段及其嵌套关系。
  过滤：提供基于字段值的过滤条件，支持逻辑运算符（如AND、OR）和比较运算符（如=、!=、<、>等）。
- 排序：允许用户根据字段对结果进行排序。
- 分页：支持结果的分页，通常通过指定偏移量（offset）和限制（limit）来实现。

数据模型

- 类型系统：定义数据的类型和结构，包括基本类型和复合类型。
- 实体定义：为每个实体定义字段和关系，包括主键、外键、索引等。

功能特性

- 嵌套查询：支持嵌套查询，允许用户查询相关实体。
- 聚合和计算：提供基本的聚合函数（如SUM、AVG、COUNT等）和计算功能。
- 片段（Fragments）：允许用户定义可重用的字段集合，以便在多个查询中重复使用。
- 别名（Aliases）：允许用户为字段或查询结果指定别名。
- 指令（Directives）：提供指令来修改查询的行为，如包含或排除某些字段、设置查询的缓存策略等。

错误处理和验证

- 语法验证：在解析查询之前验证其语法是否正确。
- 类型检查：验证查询中使用的字段和类型是否与数据模型匹配。
- 错误处理：提供详细的错误信息，帮助用户诊断和解决查询中的问题。

性能优化

- 查询计划生成：根据查询和数据模型生成高效的查询计划。
- 索引优化：为常用查询字段创建索引，以提高查询性能。

工具和支持

- 文档：提供详细的文档和示例，帮助用户了解和使用GQL图查询语言。
- 开发者工具：提供IDE插件、CLI工具或图形化界面等，方便用户编写、测试和调试查询。
  社区支持：建立社区论坛或邮件列表，为用户提供帮助和支持。

迭代和改进

- 收集反馈：定期收集用户反馈，了解他们对GQL查询语言的看法和建议。
- 版本迭代：根据用户反馈和市场需求，定期发布新版本，添加新功能、修复已知问题等。

悦数图数据库 v5.0 版本是业界首个支持 GQL 的图数据库产品。不同于兼容或适配 GQL 的技术路线，悦数图数据库在数据库核心和底层架构进行了颠覆性的重构，在分布式图数据库的架构下，确保产品在高吞吐低时延、线性扩缩容、业务不断线、安全容灾、生态完善、易用易分析、灵活部署等能力取得技术突破的同时，真正做到对 GQL图查询语言的全面原生支持。产品帮助企业用户直接利用 GQL 和分布式图数据库带来的所有优势，将图数据库的在技术平台和业务生产上的能力推进到下一层级。

悦数图数据库在数据库核心和底层架构进行了颠覆性的重构，在分布式图数据库的架构下，确保产品在高吞吐低时延、线性扩缩容、业务不断线、安全容灾、生态完善、易用易分析、灵活部署等能力取得技术突破的同时，真正做到对 GQL图查询语言的全面原生支持。