Neo4j导入思知OwnThink开源的知识图谱

环境:

1.Neo4j database: 4.0.1 (是Neo4j graph数据库版本,非 neo4j desktop版本)

2.jdk11 (neo4j 4.0.1要求jdk需要11)

OwnThink开源了史上最大规模(1.4亿)中文知识图谱,地址:https://github.com/ownthink/KnowledgeGraphData

下载解压后查看知识图谱规模:

$ wc -l ownthink_v2.csv
140919781 ownthink_v2.csv

在github开源地址下可以找到阿里巴巴的一个下载数据源(链接 https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz),下载之后解压,打开其中的 read_first.txt ,下载好简单清洗后的edge.csv和vertex.csv。

可以看到数据量很大,在阿里巴巴的压缩包中,还有一篇pdf文档,介绍了将数据导入nebula 图数据库中的步骤以及edge.csv和vertex.csv的格式,这里简单贴一下数据格式:

vertex.csv数据格式
edge.csv数据格式

在网上找了一下如何导入到neo4j中,参考了:https://yuukiblog.top/2019/10/16/neo4j%E5%AF%BC%E5%85%A5%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%88%9D%E4%BD%93%E9%AA%8C/

Neo4j要求的数据格式(不清楚其他的格式能否导入):

entity.csv —— 作为图数据库中的实体::ID,name,:LABEL

:IDname:LABEL
实体id(不可重复)实体名实体标签

rel.csv —— 作为实体的关系: :START_ID,name,:END_ID,:TYPE

:START_IDname:END_ID:TYPE
实体ID关系名实体ID类型

因此,首先在阿里巴巴清洗后的文本基础上将文件格式转成符合我们要求的格式。限于篇幅,代码这里就不贴了,如果有需要可以给我留言。最终转成的数据格式如下,使用Python读出了前10行:

转成需要的格式之后即可准备进行导入。首先将转换后的两个文件放入neo4j安装路径下的import文件夹。如果不知道在哪,可以通过Neo4j desktop打开本地的一个图数据库,点击Manage:

点击open folder即可打开import文件夹。

由于版本差异,上述文章中的导入命令无法运行,经过修改测试,个人使用如下格式成功进行导入:

./neo4j-admin import --database graph.db --nodes=../import/vertex_new_form.csv --relationships=../import/edge_new_form.csv --ignore-extra-columns=true --skip-duplicate-nodes=true --skip-bad-relationships=true

注:网上很多版本说需要先删除databases文件夹下的graph.db文件夹,从本人测试来看,完全不需要,上述命令中的graph.db可任意更换名称。

如果数据运行正确,会出现一下画面,首先确定导入需要的资源(对内存还是有一定要求的):

接着导入节点:

导入关系:

建立关系:

完成:

最终导入,csv格式中还是有错误的数据,因此设置了 skip-bad-relationships

IMPORT DONE in 19m 10s 463ms.
Imported:
45464785 nodes
139916576 relationships
185380388 properties
Peak memory usage: 688.9MiB
There were bad entries which were skipped and logged into

下面即需要将数据库进行展示,新建的graph默认有两个数据库,对应databases文件夹下的两个文件夹:neo4j和system。不知道为何使用上述命令导入之后新增的graph.db(名字和命令中的database参数有关)无法显示,也可能是本来就不会显示。。。

没办法,只能通过其他办法。对比了一下几个文件夹下的内容,发现可以将graph.db先dump再载入到现有的某个数据库几个,成功实现:

进入到安装目录的bin文件夹下,需要先新建好 dump 文件的目录:dump:

./neo4j-admin dump --database=graph.db --to=../backups/graph/2020-3-16.dump

在load到现有的数据库中,因为我原有的两个数据库是空的,不清楚是否会抹除已有的数据(when use –force option, any existing database gets overwritten),load:

./neo4j-admin load --from=../backups/graph/2020-3-16.dump --database=neo4j --force

更多参数参考: https://neo4j.com/docs/operations-manual/current/tools/dump-load/

接下来,在graph中选择你导入的数据库即可看到了,简单查询一下:

后续工作:

  1. 由于数据量较大,检索的时间较慢,后续看看有哪些优化查询速度的;
  2. 个人使用知识图谱主要服务于智能问答,下一步就是思考如何结合知识图谱做好智能问答了,有兴趣的小伙伴可以去这里试试我的智(智)能(障)问答

update: 针对第一条,发现将检索的范围指定能加快检索速度,即:

MATCH p = (n1:ENTITY)-[r:RELATIONSHIP]->(n2:ENTITY) where n1.name ="微软" RETURN p

“Neo4j导入思知OwnThink开源的知识图谱”的41个回复

  1. 大神,我也在尝试将ownthink的数据导入到neo4j,任务时间比较紧,请问“在阿里巴巴清洗后的文本基础上将文件格式转成符合我们要求的格式。”的python代码是什么,请赐教!!!

    1. 已发邮箱。
      转换后的数据格式能否导入virtuoso—— 不能确定,你可以看看能不能从Neo4J导出数据到virtuoso,可能更方便

  2. 再请教下kg_v2.tar.gz 是ownthink_v2.csv 处理后的数据吗? 我打开https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz这个链接时出现下面提示,这是为什么呢?多谢博主

    AccessDenied
    You do not have read permission on this object.
    5EE9C5E833FDC3B171765BBF
    nebula-graph.oss-accelerate.aliyuncs.com

    1. 应该是阿里简单处理后的数据,但不符合neo4j导入的要求。出现这个可能是资源被删了吧,我补个下载链接吧

      1. 你好,资源被删了,能不能麻烦补发个下载链接给我呢?另外能不能同时发一下导入neo4j的转换代码给我呢? 非常感谢。

  3. 你好,能不能发一份数据格式转换的代码给我呢? 非常感谢!
    另外 打开https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz这个链接时出现下面提示,有其他源的下载链接吗? 麻烦您啦,非常感谢。

    AccessDenied
    You do not have read permission on this object.
    5EE9C5E833FDC3B171765BBF
    nebula-graph.oss-accelerate.aliyuncs.com

发表评论

电子邮件地址不会被公开。 必填项已用*标注