【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：

【国内电子数据取证厂商龙信科技】大疆无人机如何导出日志并解析

一、前言我们在提取无人机数据的时候，可能会遇到由于无人机自身没有存储介质从而导致无法对无人机进行镜像解析数据的情况，今天给大家讲解下如何通过无人机自带的功能界面导出日志并解析。二、对于没有存储介质的无人机设备如何导出日志 2.1安装软件一般来说，无人机官方都有配套的查看工具。我们以大疆无人机为例，首先我们需要在计算机上安装大疆厂商官方发布的软件DJl Assistant2 For Mavic工具。 2.2连接设备将无人机设备用usb线连接至电脑打开DJl Assistant2 For Mavic工具 2.3导出日志设备连接上后可以看见日志导出模块，可以将日志全选或者根据需要的时间段进行选择，勾选上点击下载到本地即可。导出之后，即是dat文件将dat日志导入到龙信物联网取证系统 LX-A501-V1进行解析。打开龙信物联网取证系统 LX-A501-V1软件——新建案件选择正确的设备类型、品牌提取方式选择文件——添加文件选择我们导出的日志开始取证——等待解析完成即可解析完成后即可查看数据，包含设备基本

一文讲清楚RAG 四大模式：Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG

随着技术迭代，RAG 已从最初的简单架构发展出多种进阶形态。本文将系统解析 RAG 的四大主流模式 ——Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG，从工作原理、技术特点到适用场景进行全方位对比，为技术选型提供参考。一、RAG 基础：检索增强生成的核心逻辑在深入模式解析前，需先明确 RAG 的核心逻辑。简单来说，RAG 由检索（Retrieval）与生成（Generation）两大模块构成：检索模块：从预设知识库中精准定位与用户问题相关的信息片段（如文档、段落、句子）；生成模块：基于检索到的信息，结合大语言模型生成符合上下文、逻辑连贯的答案。这种 “先检索再生成” 的模式，既保留了 LLM 的语言理解与生成能力，又通过外部知识的引入弥补了模型训练数据过时、事实准确性不足的缺陷。

论文阅读：MiniOneRec

github仓库：https://github.com/AkaliKong/MiniOneRec 技术报告论文：https://arxiv.org/abs/2510.24431 找了一个论文阅读辅助工具：https://www.alphaxiv.org/ 代码 https://github.com/AkaliKong/MiniOneRec SFT在做什么前置：数据集代码路径：MiniOneRec/data.py 类Tokenizer：给普通的分词器多包装了一层，可以处理连续的bos/eos的特殊字符串。 SidSFTDataset 多样化的指令任务：输入用户最近交互过的item列表，预测用户下一个交互的item SidItemFeatDataset sid2title或者title2sid任务 FusionSeqRecDataset 带意图识别的商品推荐代码代码入口：MiniOneRec/sft.py 1、

AirSim无人机仿真入门（一）：实现无人机的起飞与降落

概述：安装好所需要的软件和环境，通过python代码控制无人机进行起飞和降落。参考资料： 1、知乎宁子安大佬的AirSim教程（文字教程，方便复制） 2、B站瑜瑾玉大佬的30天RL无人机仿真教程（视频教程，方便理解） 3、AirSim官方手册（资料很全，不过是纯英文的） AirSim无人机仿真入门（一）：实现无人机的起飞与降落 * 1 安装AirSim * 1.1 参考教程 * 1.2 内容梳理 * 1.3 步骤总结 * 2 开始使用 AirSim * 2.1 参考教程 * 2.2 内容梳理 * 2.3 步骤总结 * 3 撰写python控制程序 * 3.1 参考教程 * 3.2 内容梳理

一、Neo4j图数据库

1、neo4j 安装 - mac brew版