用途
Knowledge Graph Builder 是一项技能，用于指导设计能够捕获实体、关系和语义含义的知识图谱，以支持强大的查询与推理。
核心能力
- 图建模：面向图的实体—关系设计
- 查询语言：Cypher（Neo4j）、SPARQL（RDF）、Gremlin
- 本体设计：模式、分类法与语义关系
- 图算法：路径查找、中心性、社区检测
知识图谱基础
知识图谱 = 实体 + 关系 + 模式 + 语义。与传统数据库（含行的表、外键、JOIN 操作）相比，知识图谱以节点与带类型的边表达连接，例如 (Person)─KNOWS─▶(Person)、(Person)─WORKS_AT─▶(Company)、(Company)─IN─▶(Industry)。
适用场景：
- 推荐系统：遍历连接以发现相关条目
- 欺诈检测：识别可疑的关系模式
- 知识管理：连接概念并推断关系
- 主数据管理：跨系统统一实体
- 根因分析：沿依赖关系追踪因果链
图数据建模
实体设计：识别核心实体（节点），可为节点设置多个标签进行分类，并使用属性描述实体。
关系设计：以带类型、有方向的边建模连接，可带属性；支持时间性关系。常见关系模式包括：
- 层级型：IS_CHILD_OF、REPORTS_TO
- 关联型：KNOWS、REFERENCES
- 时间型：PRECEDES、SUPERSEDES
- 分类型：BELONGS_TO、IS_A
- 空间型：NEAR、CONTAINS
模式定义：可创建节点唯一性约束、属性存在性约束，以及用于查询性能的索引。
Cypher 查询模式
资料给出了多类 Cypher 查询示例，包括：
- 基础遍历：查找同公司的同事、可变长度路径（1–3 跳）
- 聚合：统计关系数量、将结果收集为列表
- 推荐：二度人脉（好友的好友）、基于相似兴趣的内容推荐
- 路径分析：最短路径、全部最短路径
图算法
- 中心性度量：Degree（连接数，找热门节点）、Betweenness（桥接检测，找中介/瓶颈）、PageRank（影响力传播，排序重要性）、Closeness（平均距离，找连接良好的节点）。资料给出使用 Neo4j Graph Data Science 调用 gds.pageRank.stream 的示例。
- 社区检测：Louvain，示例调用 gds.louvain.stream 并按社区分组返回成员。
知识图谱模式
- 实体消解：查找潜在重复项（相同 email，或相同 name 与 birth_date），并使用 apoc.refactor.mergeNodes 合并重复项。
- 语义分层：分为实例层、模式层、本体层三层。
- 时间建模：以 HAS_STATE 关系配合 valid_from/valid_to 记录随时间变化的状态，并可按时间点查询状态。
最佳实践
建模准则：
- 当连接本身具有含义时，优先使用关系而非属性
- 使用具体关系类型（如 :MANAGES 而非 :RELATED_TO）
- 面向查询建模，先理解访问模式
- 保持属性原子化，可搜索数据不要使用数组
- 对节点而非整个图做版本管理，时间属性放在关系上
性能建议：
- 为 WHERE 子句使用的属性建立索引
- 使用参数（$userId）而非字符串拼接
- 限制可变长度路径（*1..5 而非 *）
- 使用 EXPLAIN 与 PROFILE 分析查询
- 遍历中考虑关系方向
参考资料
- references/cypher-patterns.md：高级 Cypher 查询示例
- references/graph-modeling.md：实体与关系设计模式
- references/graph-algorithms.md：算法选择与配置
限制
资料未提供该技能的安装命令、运行环境、依赖项与具体使用步骤；未提供收费、价格或平台相关信息。