【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：

Claude Code + cc-switch 配置指南

本指南旨在引导初次接触的用户，一步步完成 Claude Code 命令行工具 (CLI) 和 cc-switch 的安装与配置。完成配置后，用户即可在代码编辑器的终端中，通过简单的命令，调用 Kimi、GPT-4 或其他主流 AI 模型，辅助完成代码编写、解释和调试等任务。核心结论：Claude Code 与 cc-switch 结合使用，可以显著提升编程工作的效率。目录 * 1. 准备工作：配置必需的 Node.js 环境 * 2. 第一步：安装 Claude Code 命令行工具 * 3. 第二步：安装 cc-switch 模型管理工具 * 4. 第三步：获取 AI 模型的

人工智能：自然语言处理在法律领域的应用与实战

人工智能：自然语言处理在法律领域的应用与实战学习目标 💡 理解自然语言处理（NLP）在法律领域的应用场景和重要性 💡 掌握法律领域NLP应用的核心技术（如合同分析、法律文本分类、案例检索） 💡 学会使用前沿模型（如BERT、GPT-3）进行法律文本分析 💡 理解法律领域的特殊挑战（如法律术语、多语言处理、数据隐私） 💡 通过实战项目，开发一个合同分析应用重点内容 * 法律领域NLP应用的主要场景 * 核心技术（合同分析、法律文本分类、案例检索） * 前沿模型（BERT、GPT-3）在法律领域的使用 * 法律领域的特殊挑战 * 实战项目：合同分析应用开发一、法律领域NLP应用的主要场景 1.1 合同分析 1.1.1 合同分析的基本概念合同分析是对合同文本进行分析和处理的过程。在法律领域，合同分析的主要应用场景包括： * 合同审查：自动审查合同（如“条款分析”、“风险评估”

开源分享：AI Agent Skills 资源合集，一键安装 Cursor/Claude Code/Copilot 技能包

前言最近在使用 Cursor 和 Claude Code 进行开发，发现 Agent Skills 这个功能非常强大——它可以让 AI 更专业地完成特定任务，比如代码审查、生成 Git Commit、自动生成测试用例等。但网上的资源比较零散，于是我整理了一个开源合集分享给大家。项目地址 GitHub：https://github.com/JackyST0/awesome-agent-skills 什么是 Agent Skills？ Agent Skills 是 AI Agent 可以发现和使用的指令、脚本和资源包。简单来说，就是给 AI 一套「技能说明书」，让它知道如何更专业地帮你完成工作。比如： * 代码审查 Skill：AI 按照最佳实践审查代码，给出改进建议

知网 vs 维普 vs 万方：三大平台AIGC检测对比

知网 vs 维普 vs 万方：三大平台AIGC检测对比 TL;DR：知网最严格（准确率98.6%），维普对句式工整度敏感，万方相对宽松但在升级。同一篇论文在三个平台的AI率可能相差10-20%。选降AI工具时要考虑学校用的平台：知网用比话降AI效果最好，维普和万方用嘎嘎降AI性价比最高。很多同学不知道的是，知网、维普、万方的AIGC检测算法完全不同。我见过一篇论文在知网显示AI率35%，在维普只有20%，在万方更是只有15%。所以在处理论文AI率之前，一定要先搞清楚学校用的是哪个平台。今天就详细对比一下三大平台的检测特点和应对策略。三大平台检测特点知网AIGC检测：最严格知网用的是AIGC检测算法3.0版本，官方号称准确率高达98.6%，是目前最严格的平台。知网主要识别以下特征：句式模板化（比如「首先…其次…最后」这种套路）、高频词汇堆砌、逻辑结构固化、表达模式过于规整。换句话说，知网对「逻辑惯性」和「表达模式」

一、Neo4j图数据库

1、neo4j 安装 - mac brew版