在海量的neo4j的图数据库中，如何进行并行一度关系查询性能提升。可以通过巧妙的使用Cypher并搭配存储过程，可以实现很多实用的查询。一、查询需求[A=[A1,A2,A3,…,An]，B=[B1,B2,B3,…,Bm]，A和B是两个节点集合。需要查询A中的每个元素分别和B中每个元素是否有一度关系，并返回有关系的实体对。这个查询实现了寻找A中的每个元素分别和B中每个元素是否有一度关系的需求，实现了

最近在公司实习做的就是优化neo4j图形数据库查询效率的事，公司提供的是一个在Linux上搭建且拥有几亿个节点的数据库。开始一段时间主要是熟悉该数据库的一些基本操作，直到上周才正式开始步入了优化数据库查询效率的阶段，然而庆幸的是在这周就已经把数据库的查询效率优化的可以商用了。刚开始时，在公司的neo4j数据库中进行关联查询时，有些查询指令甚至长达两小时都未返回待查结果，以致无法满足一般的商业需求。

在数据写入neo4j之前需要做的事情是，要有已经提取出来的三元组数据可以使用，方便来写入到neo4j数据库。在此处我已经提取出了一些数据存储到了mongodb数据库里面了。导入工具包from pymongo import MongoClientfrom neo4j.v1 import GraphDatabase, basic_auth, kerberos_auth, custom_auth...

Cypher语句介绍：Cypher是一种声明式图查询语言，表达高效查询和更新图数据库。例子：声明式编程是一种编程范式，即构建计算机程序的结构和元素的一种风格，它表达了计算的逻辑而没有描述其控制流程。常用的声明性语言包括数据库查询语言（例如SQL，XQuery），正则表达式，逻辑编程，函数式编程和配置管理系统。命令式编程以明确的步骤实现算法。match 相当于SQL selectcypher查询

最近我在尝试存储知识图谱的过程中，对Neo4j图数据库有了一个新的认知，这里我摘取了一段Neo4j的简介：Neo4j是一个高性能的,NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性.

下面的文章是本人的实际开发工作中的真实的总结，如果转载请说明出处。

原理要做深度学习，肯定不能离开TensorFlow, MXNet之类的。 spark-deep-learning也是如此，尝试和Tensorflow进行整合。那么如何进行整合呢？ 我们知道Tensorflow其实是C++开发的，平时训练啥的我们主要使用python API。Spark要和TensorFlow 进行整合，那么有三种方式：走Tensorflow的Java API走Tensorfl...

知识图谱数据写入与构建在这里 如何自动化构建知识图谱本人提供一个基本思路：a,将需要抽取的数据从库里面读出、关系的提取模型、三元组数据的写入的代码全部整合封装成一个类函数（class NEO4J）。b,然后只要输入一个位置数字即从xx位置开始读取数据，数据读取后自动进入关系提取模型得到三元组，将得到的三元组自动同时写入mongodb和neo4j中，存入mongodb是为了备份。c,至于代码...

主要的有：1，词向量的表示学习方法2, skip_gram模型的算法逻辑3，随机梯度下降法4，矩阵分解和高斯模型嵌入5，图谱推理技术与skip_gram和词向量结合法-图谱向量化表示下面是学习笔记拍摄成图片：...

1.spark的核心抽象：RDD为什么要做RDD这样的抽象呢？主要是因为它的一致性、高效并行、容错机制，RDD屏蔽了分布式的复杂性，使开发程序时简单如写单机程序。RDD也提供了一些操作，如transform和action，通过对RDD操作业务的封装以及计算逻辑，我们就会形成一个大的DAG计算图（参考下图右）。2.spark的大数据生态：这部分是讲spark的数据生态，包括它支持的组件库、...