SiameseAOE 中文-base 模型 ABSA 结果转为 Neo4j 知识图谱

3.2 设计知识图谱 Schema

我们将构建一个简单但有效的情感分析知识图谱：

• 节点类型：
  • 产品 - 被评论的产品
  • 属性 - 产品的具体属性
  • 情感 - 用户对属性的情感表达
• 关系类型：
  • HAS_ATTRIBUTE - 产品拥有某个属性
  • HAS_SENTIMENT - 属性获得某种情感评价

3.3 核心转换代码实现

from neo4j import GraphDatabase
import json

class ABSAToNeo4jConverter:
    def __init__(self, uri, user, password):
        self.driver = GraphDatabase.driver(uri, auth=(user, password))

    def close(self):
        self.driver.close()

    def create_absa_graph(self, product_name, absa_results):
        """将 ABSA 结果转换为 Neo4j 图谱"""
        with self.driver.session() as session:
            # 创建产品节点
            session.execute_write(
                self._create_product_node, product_name
            )
            # 处理每个属性 - 情感对
            for attribute, sentiment_info in absa_results.items():
                sentiment = list(sentiment_info.keys())[0] if sentiment_info else "中性"
                session.execute_write(
                    self._create_absa_relationship, product_name, attribute, sentiment
                )

    @staticmethod
    def _create_product_node(tx, product_name):
        """创建产品节点"""
        query = (
            "MERGE (p:产品 {名称：$name}) "
            "RETURN p"
        )
        tx.run(query, name=product_name)

    @staticmethod
    def _create_absa_relationship(tx, product_name, attribute, sentiment):
        """创建完整的属性 - 情感关系链"""
        # 创建或匹配属性节点
        attr_query = (
            "MERGE (a:属性 {名称：$attr_name}) "
            "RETURN a"
        )
        tx.run(attr_query, attr_name=attribute)
        # 创建或匹配情感节点
        sent_query = (
            "MERGE (s:情感 {描述：$sentiment}) "
            "RETURN s"
        )
        tx.run(sent_query, sentiment=sentiment)
        # 建立产品 - 属性关系
        product_attr_query = (
            "MATCH (p:产品 {名称：$product_name}), (a:属性 {名称：$attribute}) "
            "MERGE (p)-[:HAS_ATTRIBUTE]->(a)"
        )
        tx.run(product_attr_query, product_name=product_name, attribute=attribute)
        # 建立属性 - 情感关系
        attr_sent_query = (
            "MATCH (a:属性 {名称：$attribute}), (s:情感 {描述：$sentiment}) "
            "MERGE (a)-[:HAS_SENTIMENT]->(s)"
        )
        tx.run(attr_sent_query, attribute=attribute, sentiment=sentiment)

# 使用示例
if __name__ == "__main__":
    # 初始化转换器
    converter = ABSAToNeo4jConverter("bolt://localhost:7687", "neo4j", "password")
    # 模拟 SiameseAOE 的输出结果
    absa_results = {
        "音质": {"很好": None},
        "电池续航": {"长": None},
        "价格": {"偏高": None}
    }
    # 转换为知识图谱
    converter.create_absa_graph("智能手机 X", absa_results)
    converter.close()

4. 实际应用案例

4.1 电商评论分析实战

假设我们有一个电商平台的用户评论数据集，我们可以这样处理：

def process_ecommerce_reviews(converter, product_name, reviews):
    """处理电商评论并构建知识图谱"""
    for review in reviews:
        # 使用 SiameseAOE 进行情感分析（这里简化表示）
        absa_results = siamese_aoe_analyze(review.text)
        # 转换为知识图谱
        converter.create_absa_graph(product_name, absa_results)

# 批量处理示例
reviews = [
    "音质很棒，但是电池续航一般",
    "拍照效果很好，系统流畅",
    "价格有点贵，但做工精致"
]
converter = ABSAToNeo4jConverter("bolt://localhost:7687", "neo4j", "password")
process_ecommerce_reviews(converter, "智能手机 X", reviews)
converter.close()

4.2 可视化查询示例

构建完知识图谱后，我们可以执行有用的查询：

// 查询所有被提及的产品属性
MATCH (a:属性)
RETURN a.名称 AS attribute, count(*) AS mention_count
ORDER BY mention_count DESC

// 查询正面评价最多的属性
MATCH (a:属性)-[:HAS_SENTIMENT]->(s:情感)
WHERE s.描述 IN ["很好", "棒", "优秀", "满意"]
RETURN a.名称 AS attribute, count(s) AS positive_count
ORDER BY positive_count DESC

// 查询需要改进的属性（负面评价）
MATCH (a:属性)-[:HAS_SENTIMENT]->(s:情感)
WHERE s.描述 IN ["差", "不好", "一般", "偏高"]
RETURN a.名称 AS attribute, s.描述 AS sentiment, count(*) AS count
ORDER BY count DESC

5. 高级功能与优化建议

5.1 情感强度分析增强

我们可以扩展基础模型来捕捉情感强度：

def enhanced_absa_conversion(tx, product_name, absa_results_with_strength):
    """增强版的情感分析转换，包含情感强度"""
    for attribute, sentiment_data in absa_results_with_strength.items():
        sentiment = sentiment_data['sentiment']
        strength = sentiment_data['strength']
        # 0-1 的情感强度值
        # 创建增强的情感节点（包含强度信息）
        query = (
            "MERGE (s:情感 {描述：$sentiment, 强度：$strength}) "
            "RETURN s"
        )
        tx.run(query, sentiment=sentiment, strength=strength)
        # ... 其余关系创建逻辑类似基础版本

5.2 批量处理优化

对于大规模数据处理，建议使用批量操作提高性能：

def batch_create_absa_data(tx, batch_data):
    """批量创建 ABSA 图谱数据"""
    query = (
        "UNWIND $data AS item "
        "MERGE (p:产品 {名称：item.product}) "
        "MERGE (a:属性 {名称：item.attribute}) "
        "MERGE (s:情感 {描述：item.sentiment}) "
        "MERGE (p)-[:HAS_ATTRIBUTE]->(a) "
        "MERGE (a)-[:HAS_SENTIMENT]->(s)"
    )
    tx.run(query, data=batch_data)

# 准备批量数据
batch_data = [
    {"product": "智能手机 X", "attribute": "音质", "sentiment": "很好"},
    {"product": "智能手机 X", "attribute": "电池", "sentiment": "一般"}
    # ... 更多数据
]

6. 总结与下一步建议

通过将 SiameseAOE 的 ABSA 结构化结果转换为 Neo4j 知识图谱，我们创建了一个强大的情感分析可视化工具。这种方法不仅让复杂的情感数据变得直观易懂，还为深入的数据分析提供了坚实基础。

实践建议：

1. 从小规模开始：先用几百条评论测试整个流程，确保所有组件正常工作
2. 优化查询性能：为常用查询创建索引，例如对属性名称、情感描述等字段建立索引
3. 考虑实时更新：对于需要实时分析的场景，可以设计增量更新机制
4. 扩展分析维度：除了基础的情感分析，还可以加入时间维度、用户群体分析等

进一步探索方向：

• 结合时间序列分析情感趋势变化
• 整合用户画像数据，分析不同群体的情感倾向
• 构建情感传播图谱，分析情感如何在用户间传播

这种方法特别适合电商平台、社交媒体监控、客户反馈分析等场景，能够帮助企业和组织更好地理解用户需求和情感倾向。