凭借SpringBoot整合Neo4j，我理清了《雷神》中错综复杂的人物关系

原创：微信公众号 码农参上，欢迎分享，转载请保留出处。

哈喽大家好啊，我是Hydra。

虽然距离中秋放假还要熬过漫长的两天，不过也有个好消息，今天是《雷神4》上线Disney+流媒体的日子（也就是说我们稍后就可以网盘见了）~

了解北欧神话的小伙伴们应该知道，它的神话体系可以用一个字来形容，那就是『乱』！就像是雷神3中下面这张错综复杂的关系网，也只能算是其中的一支半节。

而我们在上一篇文章中，介绍了关于知识图谱的一些基本理论知识，俗话说的好，光说不练假把式，今天我们就来看看，如何在springboot项目中，实现并呈现这张雷神中复杂的人物关系图谱。

本文将通过下面几个主要模块，构建自然界中实体间的联系，实现知识图谱描述：

• 图数据库neo4j安装
• 简单CQL入门
• springboot整合neo4j
• 文本SPO抽取
• 动态构建知识图谱

Neo4j安装

知识图谱的底层依赖于关键的图数据库，在这里我们选择Neo4j，它是一款高性能的 nosql 图形数据库，能够将结构化的数据存储在图而不是表中。

首先进行安装，打开官网下载Neo4j的安装包，下载免费的community社区版就可以，地址放在下面：

https://neo4j.com/download/other-releases/

需要注意的是，neo4j 4.x以上的版本都需要依赖 jdk11环境，所以如果运行环境是jdk8的话，那么还是老老实实下载3.x版本就行，下载解压完成后，在bin目录下通过命令启动：

neo4j console 

启动后在浏览器访问安装服务器的7474端口，就可以打开neo4j的控制台页面：

通过左侧的导航栏，我们依次可以查看存储的数据、一些基础查询的示例以及一些帮助说明。

而顶部带有$符号的输入框，可以用来输入neo4j特有的CQL查询语句并执行，具体的语法我们放在下面介绍。

简单CQL入门

就像我们平常使用关系型数据库中的SQL语句一样，neo4j中可以使用Cypher查询语言（CQL）进行图形数据库的查询，我们简单来看一下增删改查的用法。

添加节点

在CQL中，可以通过CREATE命令去创建一个节点，创建不含有属性节点的语法如下：

CREATE (<node-name>:<label-name>) 

在CREATE语句中，包含两个基础元素，节点名称node-name和标签名称lable-name。标签名称相当于关系型数据库中的表名，而节点名称则代指这一条数据。

以下面的CREATE语句为例，就相当于在Person这张表中创建一条没有属性的空数据。

CREATE (索尔:Person) 

而创建包含属性的节点时，可以在标签名称后面追加一个描绘属性的json字符串：

CREATE (    <node-name>:<label-name>    {           <key1>:<value1>,       …       <keyN>:<valueN>    } ) 

用下面的语句创建一个包含属性的节点：

CREATE (洛基:Person {name:"洛基",title:"诡计之神"}) 

查询节点

在创建完节点后，我们就可以使用MATCH匹配命令查询已存在的节点及属性的数据，命令的格式如下：

MATCH (<node-name>:<label-name>) 

通常，MATCH命令在后面配合RETURN、DELETE等命令使用，执行具体的返回或删除等操作。

执行下面的命令：

MATCH (p:Person) RETURN p 

查看可视化的显示结果：

可以看到上面添加的两个节点，分别是不包含属性的空节点和包含属性的节点，并且所有节点会有一个默认生成的id作为唯一标识。

删除节点

接下来，我们删除之前创建的不包含属性的无用节点，上面提到过，需要使用MATCH配合DELETE进行删除。

MATCH (p:Person) WHERE id(p)=100  DELETE p 

在这条删除语句中，额外使用了WHERE过滤条件，它与SQL中的WHERE非常相似，命令中通过节点的id进行了过滤。

删除完成后，再次执行查询操作，可以看到只保留了洛基这一个节点：

添加关联

在neo4j图数据库中，遵循属性图模型来存储和管理数据，也就是说我们可以维护节点之间的关系。

在上面，我们创建过一个节点，所以还需要再创建一个节点作为关系的两端：

CREATE (p:Person {name:"索尔",title:"雷神"}) 

创建关系的基本语法如下：

CREATE (<node-name1>:<label-name1>)  - [<relation-name>:<relation-label-name>] -> (<node-name2>:<label-name2>) 

当然，也可以利用已经存在的节点创建关系，下面我们借助MATCH先进行查询，再将结果进行关联，创建两个节点之间的关联关系：

MATCH (m:Person),(n:Person)  WHERE m.name='索尔' and n.name='洛基'  CREATE (m)-[r:BROTHER {relation:"无血缘兄弟"}]->(n) RETURN r 

添加完成后，可以通过关系查询符合条件的节点及关系：

MATCH (m:Person)-[re:BROTHER]->(n:Person)  RETURN m,re,n 

可以看到两者之间已经添加了关联：

需要注意的是，如果节点被添加了关联关系后，单纯删除节点的话会报错，：

Neo.ClientError.Schema.ConstraintValidationFailed Cannot delete node<85>, because it still has relationships. To delete this node, you must first delete its relationships. 

这时，需要在删除节点时同时删除关联关系：

MATCH (m:Person)-[r:BROTHER]->(n:Person)  DELETE m,r 

执行上面的语句，就会在删除节点的同时，删除它所包含的关联关系了。

那么，简单的cql语句入门到此为止，它已经基本能够满足我们的简单业务场景了，下面我们开始在springboot中整合neo4j。

SpringBoot整合Neo4j

创建一个springboot项目，这里使用的是2.3.4版本，引入neo4j的依赖坐标：

<dependency>     <groupId>org.springframework.boot</groupId>     <artifactId>spring-boot-starter-data-neo4j</artifactId> </dependency> 

在application.yml中配置neo4j连接信息：

spring:   data:     neo4j:       uri: bolt://127.0.0.1:7687       username: neo4j       password: 123456 

大家如果对jpa的应用非常熟练的话，那么接下来的过程可以说是轻车熟路，因为它们基本上是一个模式，同样是构建model层、repository层，然后在此基础上操作自定义或模板方法就可以了。

节点实体

我们可以使用基于注解的实体映射来描述图中的节点，通过在实体类上添加@NodeEntity表明它是图中的一个节点实体，在属性上添加@Property代表它是节点中的具体属性。

@Data @NodeEntity(label = "Person") public class Node {     @Id     @GeneratedValue     private Long id;      @Property(name = "name")     private String name;      @Property(name = "title")     private String title; } 

这样一个实体类，就代表它创建的实例节点的<label-name>为Person，并且每个节点拥有name和title两个属性。

Repository持久层

对上面的实体构建持久层接口，继承Neo4jRepository接口，并在接口上添加@Repository注解即可。

@Repository public interface NodeRepository extends Neo4jRepository<Node,Long> {     @Query("MATCH p=(n:Person) RETURN p")     List<Node> selectAll();      @Query("MATCH(p:Person{name:{name}}) return p")     Node findByName(String name); } 

在接口中添加了个两个方法，供后面测试使用，selectAll()用于返回全部数据，findByName()用于根据name查询特定的节点。

接下来，在service层中调用repository层的模板方法：

@Service @AllArgsConstructor public class NodeServiceImpl implements NodeService {     private final NodeRepository nodeRepository;          @Override     public Node save(Node node) {         Node save = nodeRepository.save(node);         return save;     } } 

前端调用save()接口，添加一个节点后，再到控制台用查询语句进行查询，可以看到新的节点已经通过接口方式被添加到了图中：

在service中再添加一个方法，用于查询全部节点，直接调用我们在NodeRepository中定义的selectAll()方法：

@Override public List<Node> getAll() {     List<Node> nodes = nodeRepository.selectAll();     nodes.forEach(System.out::println);     return nodes; } 

在控制台打印了查询结果：

对节点的操作我们就介绍到这里，接下来开始构建节点间的关联关系。

关联关系

在neo4j中，关联关系其实也可以看做一种特殊的实体，所以可以用实体类来对其进行描述。与节点不同，需要在类上添加@RelationshipEntity注解，并通过@StartNode和@EndNode指定关联关系的开始和结束节点。

@Data @RelationshipEntity(type = "Relation") public class Relation {     @Id     @GeneratedValue     private Long id;      @StartNode     private Node startNode;      @EndNode     private Node endNode;      @Property     private String relation; } 

同样，接下来也为它创建一个持久层的接口：

@Repository public interface RelationRepository extends Neo4jRepository<Relation,Long> {     @Query("MATCH p=(n:Person)-[r:Relation]->(m:Person) " +             "WHERE id(n)={startNode} and id(m)={endNode} and r.relation={relation}" +             "RETURN p")     List<Relation> findRelation(@Param("startNode") Node startNode,                                 @Param("endNode") Node endNode,                                 @Param("relation") String relation); } 

在接口中自定义了一个根据起始节点、结束节点以及关联内容查询关联关系的方法，我们会在后面用到。

创建关联

在service层中，创建提供一个根据节点名称构建关联关系的方法：

@Override public void bind(String name1, String name2, String relationName) {     Node start = nodeRepository.findByName(name1);     Node end = nodeRepository.findByName(name2);      Relation relation =new Relation();     relation.setStartNode(start);     relation.setEndNode(end);     relation.setRelation(relationName);          relationRepository.save(relation); } 

通过接口调用这个方法，绑定海拉和索尔之间的关系后，查询结果：

文本SPO抽取

在项目中构建知识图谱时，很大一部分场景是基于非结构化的数据，而不是由我们手动输入确定图谱中的节点或关系。因此，我们需要基于文本进行知识抽取的能力，简单来说就是要在一段文本中抽取出SPO主谓宾三元组，来构成图谱中的点和边。

这里我们借助Git上一个现成的工具类，来进行文本的语义分析和SPO三元组的抽取工作，项目地址：

https://github.com/hankcs/MainPartExtractor

这个项目虽然比较简单一共就两个类两个资源文件，但其中的工具类却能够有效帮助我们完成句子中的主谓宾的提取，使用它前需要先引入依赖的坐标：

<dependency>     <groupId>com.hankcs</groupId>     <artifactId>hanlp</artifactId>     <version>portable-1.2.4</version> </dependency> <dependency>     <groupId>edu.stanford.nlp</groupId>     <artifactId>stanford-parser</artifactId>     <version>3.3.1</version> </dependency> 

然后把这个项目中com.hankcs.nlp.lex包下的两个类拷到我们的项目中，把resources下的models目录拷贝到我们的resources下。

完成上面的步骤后，调用MainPartExtractor工具类中的方法，进行一下简单的文本SPO抽取测试：

public void mpTest(){     String[] testCaseArray = {             "我一直很喜欢你",             "你被我喜欢",             "美丽又善良的你被卑微的我深深的喜欢着……",             "小米公司主要生产智能手机",             "他送给了我一份礼物",             "这类算法在有限的一段时间内终止",             "如果大海能够带走我的哀愁",             "天青色等烟雨，而我在等你",             "我昨天看见了一个非常可爱的小孩"     };     for (String testCase : testCaseArray) {         MainPart mp = MainPartExtractor.getMainPart(testCase);         System.out.printf("%s   %s   %s n",                 GraphUtil.getNodeValue(mp.getSubject()),                 GraphUtil.getNodeValue(mp.getPredicate()),                 GraphUtil.getNodeValue(mp.getObject()));     } } 

在处理结果MainPart中，比较重要的是其中的subject、predicate和object三个属性，它们的类型是TreeGraphNode，封装了句子的主谓宾语成分。下面我们看一下测试结果：

可以看到，如果句子中有明确的主谓宾语，那么则会进行抽取。如果某一项为空，则该项为null，其余句子结构也能够正常抽取。

动态构建知识图谱

在上面的基础上，我们就可以在项目中动态构建知识图谱了，新建一个TextAnalysisServiceImpl，其中实现两个关键方法。

首先是根据句子中抽取的主语或宾语在neo4j中创建节点的方法，这里根据节点的name判断是否为已存在的节点，如果存在则直接返回，不存在则添加：

private Node addNode(TreeGraphNode treeGraphNode){     String nodeName = GraphUtil.getNodeValue(treeGraphNode);      Node existNode = nodeRepository.findByName(nodeName);     if (Objects.nonNull(existNode))         return existNode;      Node node =new Node();     node.setName(nodeName);     return nodeRepository.save(node); } 

然后是核心方法，说白了也很简单，参数传进来一个句子作为文本先进行spo的抽取，对实体进行Node的保存，再查看是否已经存在同名的关系，如果不存在则创建关联关系，存在的话则不重复创建。下面是关键代码：

@Override public List<Relation> parseAndBind(String sentence) {     MainPart mp = MainPartExtractor.getMainPart(sentence);      TreeGraphNode subject = mp.getSubject();    //主语     TreeGraphNode predicate = mp.getPredicate();//谓语     TreeGraphNode object = mp.getObject();      //宾语      if (Objects.isNull(subject) || Objects.isNull(object))         return null;      Node startNode = addNode(subject);     Node endNode = addNode(object);     String relationName = GraphUtil.getNodeValue(predicate);//关系词      List<Relation> oldRelation = relationRepository             .findRelation(startNode, endNode,relationName);     if (!oldRelation.isEmpty())         return oldRelation;      Relation botRelation=new Relation();     botRelation.setStartNode(startNode);     botRelation.setEndNode(endNode);     botRelation.setRelation(relationName);     Relation relation = relationRepository.save(botRelation);      return Arrays.asList(relation); } 

创建一个简单的controller接口，用于接收文本：

@GetMapping("parse") public List<Relation> parse(String sentence) {     return textAnalysisService.parseAndBind(sentence); } 

接下来，我们从前端传入下面几个句子文本进行测试：

海拉又被称为死亡女神 死亡女神捏碎了雷神之锤 雷神之锤属于索尔 

调用完成后，我们再来看看neo4j中的图形关系，可以看到海拉、死亡女神、索尔、锤这些实体被关联在了一起：

到这里，一个简单的文本处理和图谱创建的流程就被完整的串了起来，但是这个流程还是比较粗糙，之后还需要在下面几个方面继续优化：

• 当前使用的还是单一类型的节点和关联关系，后续可以在代码中丰富更多类型的节点和关联关系实体类
• 文中使用的文本spo抽取效果一般，如果应用于企业项目，那么建议基于更精确的nlp算法去做语义分析
• 当前抽取的节点只包含了实体的名称，不包含具体的属性，后续需要继续完善补充实体的属性
• 完善知识融合，主要是添加实体的指代消解以及属性的融合功能

总之，需要完善的部分还有不少，项目代码我也传到git上了，大家如果有兴趣可以看看，后续如果有时间的话我也会基于这个版本继续改进，公众号后台回复『neo』获取项目地址。

那么，这次的分享就到这里，我是Hydra，我们下篇再见。

作者简介，码农参上，一个热爱分享的公众号，有趣、深入、直接，与你聊聊技术。欢迎添加好友，进一步交流。