![实时推荐系统](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-11.jpg)

在互联网，推荐系统是一个比较重要的系统，由于推荐系统的工作场景决定了其时效性要求很高，所以一般都是[实时推荐](https://www.yueshu.com.cn/solutions/real-time-recommendation)系统。它需要满足用户各种场景的需求，如新用户、新内容、新行为、新物品等。 现在的实时推荐系统架构都是基于流式处理架构来设计的，流式处理架构又可以分为：消息队列、实时计算引擎和批处理三大部分。随着流式处理架构越来越成熟，并且基于流式处理架构来设计实时推荐系统已经成为了一种趋势。目前业界最流行的实时推荐系统架构有三种：消息队列、实时计算引擎和批处理三种。

### 消息队列

消息队列的优点是不需要在实时计算引擎和批处理之间进行数据转换，这对于实时性要求比较高的场景来说是非常有利的，所以消息队列一直是业界最流行的实时推荐系统架构。消息队列除了需要处理实时数据之外，还需要处理离线数据，所以需要增加中间件来对消息进行管理。

### 实时计算引擎

实时计算引擎利用消息队列技术来实时处理用户行为数据。该系统能够将用户行为转化为用户和物品的特征向量，进一步利用这些向量来预测和满足用户的个性化偏好。RTE 支持处理多种数据类型，包括文本、图片、音频和视频等，这些数据以流式方式持续更新，确保实时性。为了满足实时获取用户行为信息的需求，RTE 采用了流式存储技术，如 HBase 或 HDFS，以高效、可靠地存储和管理这些实时数据。

### 批处理

批处理就是把流式处理的结果根据场景不同分为实时和非实时，然后分别存储在不同的库里面，以供后续的查询和分析使用。批处理系统就是一个通用的流式处理系统，它包含了流式处理和批处理。

### 分布式文件系统

分布式文件系统是为了解决大量数据的存储和管理问题，它是一种可以将大量数据以文件的形式存储在分布式服务器上的系统。它可以提供分布式存储，能够对海量数据进行高效的检索和访问，同时保证数据的可靠性。

目前，已经有很多公司开发了分布式文件系统来解决数据存储和管理问题。比如 Google的 BigTable、 Amazon的 DynamoDB等。这些分布式文件系统都提供了文件的读写服务，而且具备高性能、高可靠和高可用等特点。

### 推荐系统的开发工具

推荐系统的开发工具是以离线计算引擎和实时计算引擎为主，一些常用的开发工具有 Spark、 Kafka、 Redis、 Storm、 Kafka TiDB等。

Spark是一种通用的离线计算引擎，支持分布式流式计算，可以为用户提供一套通用的计算框架，用于实现实时推荐系统的流式计算。Kafka是一种分布式的实时消息队列，支持大规模的数据采集和流式处理。Redis是一种轻量级的数据库，可用于存储系统中大量的数据。Kafka TiDB是一种分布式事务型数据库，支持海量数据下的高并发读写。这些开发工具都可以用于构建一个推荐系统。

悦数图数据库凭借其优良的原生图引擎，不仅为用户提供了低延迟的读写能力和高吞吐量，还使得大数据驱动的准确营销变得轻而易举。在用户画像分析和个性化推荐等场景中，悦数图数据库发挥了不可或缺的作用。它能够实时捕捉用户行为，动态更新用户画像，并据此提供个性化的推荐服务。这种无缝集成不仅提升了用户体验，也为企业带来了更高的转化率和更准确的营销效果。

悦数图数据库凭借其优良的原生图引擎，不仅为用户提供了低延迟的读写能力和高吞吐量，还使得大数据驱动的准确营销变得轻而易举。在用户画像分析和个性化推荐等场景中，悦数图数据库发挥了不可或缺的作用。

实时推荐系统架构

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-10.jpg)

图数据是数据仓库的重要组成部分，是指用图形来表示数据集的一种方式。它既可以对数据进行可视化，也可以对其进行分析。图数据库提供了一种可编程的查询语言，以支持各种复杂的查询方式。图查询语言是是一种直观、易于解释、功能强大、友好的图形数据库查询语言。下面将介绍 GQL图查询语言的基本语法、操作流程和 GQL数据仓库中的应用。

### 基本语法

GQL查询语句包含输入参数、输入条件、结果输出和查询结果等几个部分。在图数据库中，查询语句是基于关系模型的。因此， GQL图查询语言首先需要获取被查询数据的关系模型。

GQL查询语句是一个包含两个部分的循环结构：
第一个部分是获取数据集的信息，如表名称、表类型、是否包含主键、是否包含外键等；
第二个部分是执行查询，将获得的结果转换成相应的字段，并返回给用户。

### 查询操作流程

查询操作包括输入查询和返回查询结果两个部分。
1.输入查询：通过输入的 SQL语句，生成相应的数据仓库图，如上图所示。
2.返回查询结果：将生成的数据仓库图作为输入语句，通过计算得到最终的结果，如下图所示。
在上述两个查询操作中，采用了不同的索引结构。查询语句中使用的索引结构由 GQL提供，而用户使用的查询语句是由 SQL提供。当然，在 GQL图查询语言中还可以定义自定义索引结构，以支持用户的定制化需求。

### GQL的应用

在企业中，通常将图数据用于如下几个方面：
1、用于进行复杂的数据分析和挖掘。由于图的不可压缩性，所以可通过使用 GQL来进行复杂的数据分析和挖掘。
2、用于知识管理和信息共享。将知识和信息存储在图中，可以有效地提高其共享性，提高其安全性，并且可以使人更容易地访问和理解它。
3、用于可视化数据。对于需要在多个应用程序中进行可视化的数据，如供应链、市场营销等， GQL可以用于将这些数据集成到一个可视化界面中。
4、用于将不同来源的数据集成到一个系统中。例如，在供应链管理中，将供应商信息、运输信息和库存信息集成到一起，以提供更好的供应链决策。

### GQL在数据仓库中的应用

数据仓库中的查询语言有很多，如 SQL、DB2、 SAS、R等。在使用 SQL时，可以定义多维数据集的维度，然后通过查询语句来获取数据。而在R中，使用关系型数据库一般是通过 SQL语句来进行查询，而在R中查询速度较慢，因此通常使用 GQL来实现关系型数据库和 GQL之间的转换。

GQL图查询语言支持关系型数据库和非关系型数据库的转换。转换后的图数据存储在非关系型数据库中，可使用 SQL语句进行查询。
GQL图查询语言可以将图数据存储在非关系型数据库中，也可以将其存储在关系型数据库中，但存储方式并不相同。

在分布式图数据库的架构下，悦数图数据库通过颠覆性的重构，成功解锁了图数据的无限潜力，让数据的查询、分析和应用变得更加有效、灵活和安全。

随着大数据时代的不断发展，图数据以其独特的结构优势，在社交网络、金融风控、物联网、知识图谱等众多领域展现出巨大的应用潜力。而GQL图查询语言其直观、简洁的语法和强大的表达能力，使得图数据的查询和分析变得便捷。

悦数图数据库v5.0版本的全面原生支持GQL，不仅为企业用户提供了更加强大的数据兼容性和互操作性，更推动了图数据库技术在技术平台和业务生产上的能力进入全新的层级。

悦数图数据库v5.0版本的全面原生支持GQL，不仅为企业用户提供了更加强大的数据兼容性和互操作性，更推动了图数据库技术在技术平台和业务生产上的能力进入全新的层级。

解锁图数据：GQL图查询语言深度解析

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-09.jpg)

在图数据领域，有一个重要的概念就是“图查询语言（Graph Query Language）”，它是用来描述如何查询图数据的语言。在过去的几年中， GQL （GraphQL）已经成为了一个通用的图查询语言。本文将介绍GQL图查询语言在数据仓库、大数据、人工智能、云计算等领域的一些应用，同时还将介绍一些 GQL在数据探索中的应用。希望通过本文能够让读者对GQL图查询语言有一个较为全面的认识，从而更好地应用到实际工作中。

### GQL在数据仓库中的应用

数据仓库是企业中数据的汇总和存储工具，主要用于对企业中大量的数据进行加工处理。在数据仓库中，数据是以表的形式进行存储的，由于表之间存在一定的联系，因此需要一种新的查询语言来表示它们。目前， GQL主要用于数据仓库中的多维分析和探索任务。
多维分析是一种基于关系（Relationship）来探索数据的分析方法，多维分析主要包含三个步骤：查询、建模和优化。其中查询是指从关系数据库中读取数据，然后使用图查询语言（如 GQL）来解析和查询这些数据。建模是指根据给定的问题领域，对关系数据库进行建模。优化是指根据关系数据库中存储的表和行等结构，利用各种方法（如图算法）来优化查询结果。

### GQL在大数据领域的应用

GQL图查询语言在大数据领域的应用非常广泛，比如在关系型数据库中，我们经常会遇到基于查询图的各种查询分析需求。如基于图的查询语句（Graph Query Language），以及基于图的复杂数据计算（Graph Computation），都是 GQL在大数据领域中的常见应用。在图数据中，节点之间的关系可能是一种组合（join）关系，也可能是一种聚合（algorithm）关系，或者是一种基于位置的（location）关系。GQL图查询语言正是提供了一种描述这些复杂关系的语法和语义。

### GQL在人工智能、云计算等领域的应用

在人工智能领域，GQL可以作为一种强大的数据查询语言，帮助AI系统从复杂的数据结构中提取和整合信息。例如，在构建智能推荐系统时，GQL可以帮助系统从用户的行为数据、偏好数据以及商品或服务的属性数据中提取相关信息，进而实现准确的推荐。此外，GQL的嵌套查询和查询参数功能也使得AI系统能够更灵活地处理和分析数据，从而优化其决策和预测能力。

在云计算领域，GQL图查询语言的应用主要体现在以下几个方面：

- 数据整合与交互：随着云计算的发展，越来越多的企业将数据存储在云端。GQL作为一种有效的数据查询语言，可以帮助企业更好地整合和交互这些数据。通过GQL，企业可以轻松地查询、分析和可视化存储在云端的数据，从而更好地利用这些数据来支持业务决策和运营。

- API设计：在云计算中，API是连接不同服务和应用程序的关键。GQL允许在查询中传递参数和使用别名和片段来重命名返回的字段，这使得API设计更加灵活和可维护。同时，GQL还支持使用变量来动态地传递参数值，这使得API调用更加灵活和可重用。

- 分页和排序：在构建云计算存储服务时，利用GQL的分页和排序功能，可以实现无限滚动、分页显示和按条件排序等高级功能。这些功能不仅提高了数据展示的效率和灵活性，还增强了用户与服务的交互体验，使得云计算服务更加符合用户的期望和需求。

悦数图数据库v5.0版本的推出在分布式图数据库的架构下，实现了高吞吐低时延、线性扩缩容等一系列技术突破，确保了业务的不间断运行和数据的安全容灾。这一系列的创新为企业用户带来了数据兼容性和互操作性。

通过全面原生支持GQL图查询语言，悦数图数据库v5.0版本能够使企业用户直接利用GQL的丰富功能和分布式图数据库的独特优势，便捷地进行图数据的查询、分析和探索。无论是复杂的社交网络分析，还是智能推荐系统的构建，助力企业发掘数据的潜在价值，推动业务的创新和发展。

随着数据量的不断增长和业务的不断复杂化，图数据库在技术平台和业务生产上的能力愈发重要。悦数图数据库v5.0版本的推出，无疑将图数据库的能力推向了新的高度，为企业用户提供了更加强大、灵活和易用的解决方案。我们期待悦数图数据库能够继续引领图数据库技术的发展，为企业用户创造更多的价值。

悦数图数据库v5.0版本的推出在分布式图数据库的架构下，实现了高吞吐低时延、线性扩缩容等一系列技术突破，确保了业务的不间断运行和数据的安全容灾。这一系列的创新为企业用户带来了数据兼容性和互操作性。

图数据探索：GQL图查询语言实践

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-08.jpg)

图查询语言（Graph Query Language）是一种专门为关系数据库设计的数据查询语言。[图查询语言](https://www.yueshu.com.cn/posts/GQL-v5.0-release)可以利用各种数据库系统（如 SQL Server、 Oracle、 MySQL等）的 API，轻松实现关系数据的查询。

图查询语言具有良好的性能和可扩展性，可以处理大规模的复杂关系。由于图查询语言具有很多优点，因此被广泛应用于关系型数据库中。GQL图查询语言还可以与多种关系数据库管理系统（如 SQL Server、 Oracle等）集成。

### 语法

GQL的语法不像 SQL，很复杂。它非常简洁，通常只有十几个字节的代码段，但每个命令都可以实现复杂的操作。语法中包含一些语法规则，例如：
1.使用“>”和“<”将查询条件与子查询分开。
2.在条件中使用逗号分隔关键字和子集。
3.使用空格作为分隔符。
4.使用“*”连接两个或多个数据项，但只在第一次查询时才使用。
5.使用“&”连接两个或多个元素，并将其添加到一个查询中。
6.在查询中使用逗号分隔子集，但仅在第一次查询时才使用。

### 数据类型

GQL图查询语言支持的数据类型包括文本、图形、对象、数值和字符串，其中文本和对象是常见的类型。文本和图形数据类型的图数据可以由用户定义，但对象必须由 SQL Server创建。GQL提供了相应的对象类，可以使用这些类创建各种类型的对象。

### 基本操作

GQL语句的基本操作包括插入、删除和更新。其中，插入操作用于把一个或多个节点插入到一个子图中，删除操作用于删除子图中的节点。GQL图查询语言语句的更新操作是对已有节点的更新。
GQL语句中还包含许多其他基本操作，如选择、比较和连接等。其中，选择、比较和连接都是图查询语言的核心操作。选择操作可以帮助用户选择较佳的查询结果，比较和连接可以帮助用户比较不同查询结果的好坏，并给出优化建议。

### 查询优化

在执行GQL图查询语言查询之前，您需要进行一些优化。通过对查询进行优化，可以减少 GQL查询的执行时间。根据上面提到的各种数据类型，我们可以找到一些有效的数据类型。

### 应用

GQL可以在许多应用程序中使用，例如，在电商网站中，商品信息被用来查找“最近购买”的商品，在社交网站中，用户可以用 GQL来查找朋友们的“朋友”是谁。

GQL也被广泛应用于客户关系管理（CRM）应用程序中。例如，当客户购买了一套公寓时，它会创建一个客户关系管理系统，用于记录用户信息、房产信息、地址等。如果要查找此信息，只需要通过查询 GQL即可。

悦数图数据库v5.0版本的推出，标志着图数据库领域迈向了一个全新的里程碑。通过全面原生支持GQL图查询语言，并结合分布式图数据库架构下的技术突破，悦数图数据库不仅满足了企业用户对于高性能、高可靠性、易扩展性的需求，更进一步提升了数据处理的效率和准确性。在业务不断线、安全容灾、生态完善等多方面的能力上，悦数图数据库都展现出了业界优先的优势。

随着数据驱动时代的到来，图数据库在企业数字化转型中扮演着越来越重要的角色。悦数图数据库v5.0版本的全面原生GQL支持，将较大地推动图数据库技术在各个行业的应用和发展，为企业提供更加灵活、有效、智能的数据处理解决方案。

悦数图数据库v5.0版本的推出，标志着图数据库领域迈向了一个全新的里程碑。通过全面原生支持GQL图查询语言，并结合分布式图数据库架构下的技术突破，悦数图数据库不仅满足了企业用户对于高性能、高可靠性、易扩展性的需求，更进一步提升了数据处理的效率和准确性。

GQL图查询语言基础知识点梳理

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-07.jpg)

在 [GQL图查询语言](https://www.yueshu.com.cn/posts/GQL-v5.0-release)中，我们要实现的查询语句一般是一个基本查询语句和一组相关查询语句。这些查询语句是 GQL中的核心，对我们进行数据分析和数据管理非常重要。但是在实际应用中，我们会发现很多应用场景不需要这么多查询语句，这里就简单介绍一下 GQL图查询语言的一些常见场景和一些实用技巧。

### 图查询语句的使用

我们在日常使用 GQL时，经常会用到图查询语句。例如，在公司里做的某项任务，我们要查询某个部门的某个员工是否在两个月内完成了某项任务。在图查询语句中，我们可以通过一个变量来记录两个月内是否完成了某项任务。

### 如何生成特定数据的 GQL图

如果我们需要把数据以某种格式进行存储，比如以列表、元组、字典的形式，就可以使用 GQL的格式进行存储，这样我们就可以将数据以某种格式进行存储。在这里，我们定义一个表，其中包含了一个列，其中列有一个值，列中包含了该列对应的值。

然后在我们需要进行查询的表中使用 GQL查询语句来生成该数据的 GQL图。当我们想要查询时，点击“工具”菜单中的“连接”选项卡下的“GQL连接”按钮。然后会弹出一个对话框，在对话框中我们需要选择一个数据类型和一种数据格式。最后点击“确定”按钮就可以了。

### 如何将 GQL图查询中的 GQL语句转换为 SQL语句

在使用 GQL进行查询时，我们可能需要将 GQL语句转换为 SQL语句。但是对于已经具有 SQL语法的 GQL查询语句，我们需要做的是将其转换为 SQL语句。可以使用 SQL语法来对 GQL查询语句进行描述。

### 如何创建 GQL图查询语言应用程序

1、首先，我们需要创建一个 GQL应用程序，这个应用程序可以是一个数据库，也可以是一个关系型数据库，我们使用的数据库类型将决定我们使用哪种类型的 GQL。这里以 MySQL为例进行介绍。

2、其次，我们需要创建一个 GQL查询语句，并对该语句进行定义，定义方式与基本查询语句类似。定义完后，就可以创建 GQL查询语句。

3、最后，我们可以将该查询语句设置为应用程序的执行结果。

4、 GQL图查询语言应用程序的创建完成后，可以在 SQL Server中进行部署和测试。

5、部署和测试完成后，可以将 GQL图查询语言应用程序保存到 MySQL数据库中。

悦数图数据库v5.0版本其全面原生支持GQL的特性，不仅展现了其在技术创新上的决心和实力，更为企业用户带来了优良的便利和价值。通过GQL图查询语言，企业能够更直观地描述和操作图数据，从而更有效地挖掘数据中的关联性和价值。悦数图数据库v5.0能够帮助用户快速构建有效、灵活的数据应用。无论是在高并发场景下保障系统的高吞吐低时延，还是在业务增长时实现线性扩缩容，都展现了出色的性能和稳定性。同时，其强大的安全容灾能力和完善的生态支持，进一步增强了用户的信心和依赖。

悦数图数据库v5.0版本其全面原生支持GQL的特性，不仅展现了其在技术创新上的决心和实力，更为企业用户带来了优良的便利和价值。通过GQL图查询语言，企业能够更直观地描述和操作图数据，从而更有效地挖掘数据中的关联性和价值。

GQL图查询语言基础应用与技巧

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-06.jpg)

[图查询语言](https://www.yueshu.com.cn/posts/GQL-v5.0-release)（Graph Query Language, GQL）是一种用于从关系数据集中查找、插入或删除边的语言。它的主要思想是使用图结构来组织关系数据，然后使用图论来计算边的权重。GQL图查询语言中的图有两种类型：有向图和无向图。与传统的关系数据库查询语言如 SQL相比， GQL更适合于图查询语言，因为它比 SQL具有更高的可扩展性。

GQL主要包含两个重要概念：节点、边和邻接（或边），以下对这几个概念进行详细的解释。

### 节点

节点是一个有向图中的点。如果一个节点有一个边，则该节点是有向图中的一个节点，表示该节点是边的一部分。
有向图中的其他重要属性包括：最大边、最小顶点数、边权重和权重矩阵等。

### 边

边（Bounding Block）是在一个图中从一个节点到另一个节点的路径。边由两个元素组成，每个元素都表示一个实体或属性的子集。

要查找某个节点的边，需要访问整个图中的所有节点，这样才能找到它的所有子集。这就意味着要遍历整个图中的每个节点，如果每个节点都有边，那么就找不到这个节点了。在 GQL图查询语言中，对于无向图，查找有向图中的边只需要访问一个边即可；对于有向图，查找有向图中的边则需要访问多个节点。

在 GQL语言中，查找一个有向图的边所需要的查询时间与查询所有节点所需的查询时间相同。换句话说， GQL图查询语言比 SQL具有更高的可扩展性。

### 邻接（或边）

邻接（或边）是有向图中的一种元素，它以某种方式与其他节点相连。在 GQL中，邻接（或边）是一个属性，用于表示其他节点与某个节点之间的连接。

### 有向图和无向图

有向图是一种特殊的图的数据结构，其中每个节点（也常被称为顶点）都具有唯一的标识符。在有向图中，边（或称为弧）具有明确的方向性，即从一个起始节点指向一个终止节点，表示了一种单向的关系或连接。

而无向图则是一种没有方向性的图的数据结构。虽然无向图中的节点也可以具有标识符，但节点之间的连接（边）没有方向性。在无向图中，每个节点只与自己的直接邻接节点进行关联，这些邻接节点是通过无向边相连的，表示一种双向的关系或连接。

### 查询语言和查询模式

GQL在查询语言和查询模式两个方面都与传统的 SQL语言不同。传统的 SQL只是一个数据库查询语言，它只能处理关系模式；而 GQL不仅能够处理关系模式，还能够处理关系模式之外的所有数据模式。

悦数图数据库v5.0版本的推出，标志着图数据库领域的一项重大创新。通过全面原生支持GQL，悦数图数据库不仅为企业用户提供了更为直观、有效的图数据查询和分析手段，更在底层架构和核心功能上进行了革命性的重构。这一创新使得悦数图数据库在高吞吐低时延、线性扩缩容、业务连续性、安全容灾等关键能力上取得了显著的技术突破，满足了现代企业在大数据处理和分析方面的严苛需求。

此外，悦数图数据库v5.0版本的推出，还进一步完善了图数据库的生态体系，提升了其易用性和可分析性，为用户提供了更加灵活多样的部署选择。企业用户可以直接利用GQL和分布式图数据库带来的所有优势，轻松应对复杂多变的数据挑战，实现数据驱动的业务创新和发展。

通过全面原生支持GQL，悦数图数据库不仅为企业用户提供了更为直观、有效的图数据查询和分析手段，更在底层架构和核心功能上进行了革命性的重构。

GQL图查询语言基础概念解析

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-05.jpg)

[GQL ](https://www.yueshu.com.cn/posts/GQL-v5.0-release)（GeneralQuery Language）是一种用于图查询的语言，是以 GQL为基础的一个图数据库查询语言。它通过图结构操作实现对数据库的查询，可以用于分析和探索数据。在图查询中，我们将数据模型视为一张图，并通过图操作来实现对数据的探索和分析。GQL图查询语言主要有两个作用：一是绘制具有复杂结构的图，二是连接各种图。 GQL由三个部分组成：查询语言、关系和图结构。本文将重点介绍这三个部分的基本概念以及它们之间的联系。

### 查询语言

查询语言用于连接各种图，通常用于搜索、排序或筛选。查询语言是 GQL的基础，它决定了一个图数据库中所有的数据类型和操作。我们可以在 GQL图查询语言中定义数据类型，然后从数据库中获取所需的数据。

GQL图查询语言是由若干个标准操作组成的，称为规范操作（Normalization Operator）。这些标准操作包括：选择、插入、删除、更新、查询数据：这些操作对应于关系的不同方面，并使用不同的算子进行操作。插入、删除和更新数据的同时，我们可以添加或删除连接，并创建新的连接或删除已经存在的连接。查询数据时，我们可以选择数据类型、属性或条件查询特定的数据。

### 关系

在GQL图查询语言中，关系指的是数据之间的关联和联系。图数据库以节点和边为基础，构建了一个表达复杂关系的数据模型。节点代表实体或对象，而边则代表这些实体之间的连接或交互。这种连接或交互，在GQL中就被称为关系。

在GQL中，这些关系都可以通过定义边的类型和属性来准确地表达。例如，我们可以定义一种名为“朋友”的边类型来表示人与人之间的社交关系，并为这种关系添加诸如“认识时长”、“亲密度”等属性，以丰富关系的内涵。

通过使用GQL查询这些关系，我们可以轻松地进行复杂的模式匹配和路径查找，从而揭示出数据之间的深层次联系。这种能力使得GQL图查询语言在社交网络分析、推荐系统、金融风控等领域具有广泛的应用前景。

### 图结构

GQL中的图结构是用来存储、操作和查询图的数据模型。图结构的表示是用来描述数据的属性或概念，可以是实体、关系、属性或概念。在图查询中，我们会将图结构作为操作对象，将这些对象作为属性或概念，然后根据其属性或概念对查询进行解析，从而得到查询结果。这样一种数据结构的表示方法被称为图结构的表示方法（Graph Definition Method）。

在 GQL图查询语言中，我们将实体、关系和概念（属性）表示成一个个节点（节点是指与实体相关联的元素），节点之间通过边相互连接起来。我们可以使用 GQL中的两个基本操作——插入和删除节点来连接实体和关系。在图查询中，我们可以通过插入操作来连接和删除节点。

### 查询操作

GQL提供了很多查询操作，包括查询、插入、删除、修改和连接等。为了实现对数据的探索和分析，我们需要选择合适的查询语言来执行。

GQL支持多种查询语言，包括关系型数据库 SQL、图形数据库 GDB、图数据库 GraphX等。目前， GQL已经支持多个数据源，包括 SQL Server、 Oracle、 MySQL以及 Node. js等。

悦数图数据库作为业界首家原生支持GQL的图数据库产品，在v5.0版本的基础上，将不断追求优良的性能和稳定性，努力打磨出更加强大、更加可靠的分布式图数据库解决方案。GQL图查询语言以其直观、灵活的语法，使得用户可以轻松构建出复杂而准确的查询逻辑，进一步提升了悦数图数据库的查询能力。

悦数图数据库凭借在金融、互联网、电信运营商、电网、高端制造、科研单位等行业积累的丰富实践经验，将积极打造行业解决方案的坚实底座，为各行业提供更加准确、有效的数据分析和决策支持。

悦数图数据库作为业界首家原生支持GQL的图数据库产品，在v5.0版本的基础上，将不断追求优良的性能和稳定性，努力打磨出更加强大、更加可靠的分布式图数据库解决方案。

GQL图查询语言基础概览

![GQL图查询语言](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-04.jpg)

什么是 GQL？ GQL是一种图数据库查询语言，它以图结构的形式描述数据关系，并使用交互式查询来执行数据查询。在 GQL中，图结构是由多个节点和边组成的图。对于每个节点，都有一个值，该值表示节点与其邻居之间的关系。节点与其邻居之间的边的数量在 GQL中定义为最大边。 使用 GQL图查询语言，我们可以确定给定数据对象中哪些最有可能包含实体。

### 什么是 GQL图查询语言

[GQL图查询语言](https://www.yueshu.com.cn/posts/GQL-v5.0-release)是一种用于执行图查询的数据查询语言。GQL通过用节点、边和属性定义数据关系，并使用变量表示数据关系。

GQL图查询语言使用两个关键函数来确定给定数据对象中哪些最有可能包含实体。其中，“ID”是节点的属性名称。“data”是节点的值。每个节点都有一个值，表示该节点与其他节点之间的关系。当使用 GQL查询函数时，我们会返回与给定数据对象中的所有最有可能包含实体有关的最大边的列表。使用 GQL查询函数，我们可以使用给定数据对象中包含实体的所有最有可能的值来创建一张图，然后使用这张图来查找哪些最有可能包含实体。由于我们不需要知道这些实体是什么，因此我们可以更快地确定哪些最有可能包含实体。

### 什么是“最大边”？

在 GQL图查询语言中，边是一个节点到另一个节点之间的最短路径。例如，如果一个节点是以字母“A”开头的，那么它就是A到它的邻居之间最短路径上的一个点。

有两种类型的最大边：简单边和复杂边。简单边是一条单一的路径，其中不包括任何节点和其他任何信息。在这种情况下，最大边是单词“B”到“B”之间最短路径上一个点。

## 如何处理 GQL图查询语言？

在 GQL图查询语言处理中，有几种方法。我们将在下面详细讨论这些方法。
1.逻辑查询
逻辑查询可以用来确定给定数据对象中哪些节点应该包含在图中，或者哪些实体应该包含在图中。逻辑查询的目标是确定哪个实体应该包含在图中，并将其添加到每个节点的邻接表中。这将产生一个新的有向无环图，称为“逻辑图”。

2.SQL查询
SQL查询是 GQL图查询的一种特殊情况。如果你想要创建一个包含所有节点的有向无环图，只需创建一个包含所有边的有向无环图即可。

3.XML查询
XML查询可用于在 GQL图的查询处理过程中进行数据转换，以便获得更好的查询结果。 XML查询使用 XML数据模型来定义数据类型、数据约束和节点操作，并将其转换为可用于 GQL处理的结构化格式

### 使用 GQL查询时，你需要考虑哪些属性？

在 GQL图查询语言中，每个节点都有一个值。属性通常用于对数据对象进行查询。例如，对于一条消息，“从A到B”是消息的一个属性。从A到B的任何消息都是消息的属性。

请注意，属性可能会改变其值。例如，如果“从A到B”消息中包含“从A到B”字样，则表示该消息由两个消息组成：一个是“从A到B”，另一个是“从A到B”。

对于一些查询，可能需要在查询语句中定义属性。要查询给定实体的所有属性，请在查询语句中使用以下语句，通过这种方式，我们可以得到一个唯一的查询结果集。例如：
这里我们有三个实体：A、B、C。如果我们想知道数据集中是否包含这三个实体，可以使用 GQL图中的查询语句。

### 如何处理 GQL图中的数据类型？

在GQL图查询语言中，处理数据类型通常涉及确保数据在查询和存储时的准确性和一致性。以下是两种处理GQL中数据类型的常见方法：

- 显式数据类型声明：
  在创建图数据库模式或定义属性时，显式地指定属性的数据类型。例如，在定义一个表示人的节点时，可以指定“年龄”属性为整数类型，“姓名”属性为字符串类型。

  这种方法的优点是，在数据输入阶段就进行了类型检查，从而减少了数据错误的可能性。同时，它还有助于优化查询性能，因为数据库知道如何有效地处理特定类型的数据。缺点是，可能需要额外的步骤来定义和维护模式，并且对于模式灵活的图数据库来说，这可能会限制其灵活性。

- 动态数据类型推断：
  允许数据库在数据输入时自动推断属性的数据类型。这种方法通常用于无模式（schema-free）或模式灵活（schema-flexible）的图数据库。

  优点是，无需显式定义模式，从而提高了数据库的灵活性和易用性。此外，它还可以减少开发人员在定义和维护模式方面的工作量。缺点是，在数据输入阶段不进行类型检查可能会导致数据错误，而且查询性能可能不如显式声明数据类型的数据库。

### 如何进行复杂查询？

进行复杂的GQL图查询通常需要深入了解图数据库的结构和GQL的语法。不同的图数据库可能有其特定的查询语言和特性，但基本的查询概念是相似的。以下是一些建议，帮助你构建和执行复杂的GQL图查询：

- 理解图结构：
  在开始编写查询之前，你需要清楚地了解图的结构，包括节点类型、边类型以及它们之间的关系。
- 学习GQL语法：
  查阅你使用的图数据库的官方文档，了解GQL的语法和特性。
  掌握基本的查询结构，如MATCH、WHERE、RETURN等子句。
- 构建子查询：
  对于复杂的查询，你可能需要构建多个子查询，并将它们组合在一起。
  子查询可以帮助你逐步构建复杂的查询逻辑，提高可读性和可维护性。
- 使用变量和别名：
  通过使用变量来代表节点和边，我们可以使查询更加灵活和易于重用。
  使用别名来简化查询结果，使结果更易于理解。
- 使用模式匹配：
  GQL支持模式匹配，允许你指定节点和边的类型和属性。
  使用模式匹配来过滤结果，只返回符合特定条件的节点和边。
- 处理多个关系和路径：
  对于需要跨越多个关系和路径的查询，你可以使用可变长度的路径匹配（如*、..等）。
  你还可以使用递归查询（如果图数据库支持）来处理复杂的路径和关系。
- 使用聚合和排序：
  使用COUNT、SUM、AVG等聚合函数来处理查询结果。
  使用ORDER BY子句对结果进行排序。
- 优化查询性能：
  在执行查询之前，考虑使用索引来加速查询性能。
  分析查询的执行计划，了解查询是如何被优化的，并根据需要进行调整。
- 使用示例和教程：
  查找并使用图数据库提供的示例和教程，这些资源可以帮助你更好地理解如何构建和执行复杂的GQL查询。
- 测试和调试：
  在执行复杂的GQL查询之前，使用小数据集进行测试，确保查询的逻辑是正确的。
  使用调试工具或日志来跟踪查询的执行过程，并查找潜在的问题或错误。

请注意，具体的GQL语法和特性可能因不同的图数据库而异。因此，在编写复杂的GQL查询时，务必参考你使用的图数据库的官方文档和示例。

悦数图数据库v5.0版本的推出，无疑是图数据库领域的一大里程碑。作为业界全面原生支持GQL的图数据库产品，它不仅在数据库核心和底层架构上进行了颠覆性的重构，更在多个关键能力上取得了技术突破。高吞吐低时延、线性扩缩容、业务不断线、安全容灾等功能的实现，让悦数图数据库在应对复杂业务场景时更加游刃有余。而全面原生支持GQL，则为企业用户提供了更加便捷、有效的数据查询方式，进一步提升了数据的兼容性和互操作性。

结合GQL图查询语言入门指南，用户可以轻松上手悦数图数据库v5.0，充分发挥其强大的图数据处理能力。无论是初学者还是数据库专家，都能通过GQL的直观语法和强大功能，轻松构建复杂的查询逻辑，实现准确的数据分析和挖掘。悦数图数据库v5.0的推出，将图数据库的技术平台和业务生产能力推向了新的高度，为企业用户带来了数据价值。我们有理由相信，随着悦数图数据库的不断发展和完善，它将在未来图数据库领域发挥更加重要的作用，引导行业向更高水平迈进。

悦数图数据库v5.0版本的推出，无疑是图数据库领域的一大里程碑。作为业界全面原生支持GQL的图数据库产品，它不仅在数据库核心和底层架构上进行了颠覆性的重构，更在多个关键能力上取得了技术突破。

GQL图查询语言入门指南

![大语言模型](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-03.jpg)

知识图谱作为一种能够整合海量数据的新型知识表示形式，被广泛应用于自然语言处理领域。知识图谱问答系统通过构建实体关系图谱，实现用户问题的准确理解。本文以此为研究目标，研究了基于知识图谱问答的大语言模型、基于知识图谱的实体识别和关系抽取等关键技术，并在此基础上构建了一套完整的基于大语言模型和知识图谱融合的问答系统，实现了对复杂问题的准确理解。

### 知识图谱问答系统

随着信息技术的快速发展，自然语言处理技术不断发展，通过文本理解、信息抽取等方法，能够为用户提供准确、有效的答案。同时，随着数据量的增加，如何利用有效数据对自然语言处理进行优化也成为目前研究的热点。知识图谱作为一种新型知识表示形式，能够有效整合海量数据，具有很高的价值。本文以知识图谱问答系统为研究目标，采用自然语言处理技术对大语言模型进行优化，并在此基础上构建了基于大语言模型和知识图谱融合的问答系统。

###  相关工作

关于大语言模型融合知识图谱问答的相关工作，其中主要涉及到两方面内容：

1)在大语言模型的基础上融合知识图谱，利用知识图谱来理解问题；

2)在基于知识图谱的实体识别和关系抽取的基础上，利用大语言模型对实体进行分类，再利用实体类别之间的关系来预测问题答案。这些工作主要分为两类，分别是基于实体和关系分类的模型融合方法和基于知识图谱和分类融合的模型融合方法。

### 问题描述

1.问题描述：用户在给定问题时，希望得到的答案是一个具体的、准确的，并且不需要用户提供过多的信息，能够解决用户在实际工作中遇到的问题。本文以用户问题“如何提高自己工作效率？”为例，提出一种大语言模型与知识图谱融合的问答系统。

2.问答任务：本文将通过构建基于知识图谱的实体关系图谱，实现对用户问题的准确理解。

3.数据集构建：本文将使用 BERT预训练语言模型，并在 BERT基础上引入知识图谱中的实体信息，构建基于知识图谱的问答数据集。

4.模型训练：本文将使用BiLSTM-CRF模型对所构建的大语言模型进行训练，以提升问答系统的性能。

悦数图数据库以其优良的图技术，为大语言模型注入了万亿级的丰富上下文，使得模型在回答问题时能够更准确地理解并回应，真正达到了企业级的应用效果。这一突破不仅降低了企业应用大语言模型的费用和时间成本，更通过深度整合上下文理解，让模型的回答变得更为准确和透明可解释。结合当前大语言模型融合知识图谱的问答系统研究，悦数图数据库所展现出的潜力和价值无疑将引领行业进入一个全新的发展阶段，推动大语言模型与知识图谱的深度融合，为企业创造更多价值，开启智能问答的新篇章。

结合当前大语言模型融合知识图谱的问答系统研究，悦数图数据库所展现出的潜力和价值无疑将引领行业进入一个全新的发展阶段，推动大语言模型与知识图谱的深度融合，为企业创造更多价值，开启智能问答的新篇章。

大语言模型融合知识图谱的问答系统研究

![国产分布式数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-02.jpg)

近日，国家市场监督管理总局（国家标准化管理委员会）批准发布了《金融分布式数据库系统技术规范》（GB/T 38532-2020）。该标准由中国人民银行数字货币研究所牵头，中国电子技术标准化研究院、中国电子信息产业发展研究院、中国移动通信集团有限公司、上海兰台信息技术有限公司等单位共同起草，于2021年4月30日正式发布，将于2022年1月1日起正式实施。《金融分布式数据库系统技术规范》将成为国内首部金融分布式数据库相关标准。

## 分布式数据库将是国内金融科技发展的主流方向

随着云计算、大数据、人工智能等新一代信息技术的快速发展，金融业务系统由传统的集中式架构向分布式架构转变，传统的集中式架构已无法满足日益增长的业务需求。在这种形势下，国产分布式数据库技术应运而生，并得到了快速发展。《金融分布式数据库系统技术规范》的发布，对于推动我国金融行业分布式数据库技术发展具有重要意义，对于我国金融行业安全自主可控发展将起到积极作用，同时也为我国金融科技行业发展提供了参考依据。

## 国外厂商垄断地位将被打破

随着新一代信息技术的快速发展，我国金融业数字化转型不断深入，银行等金融机构对分布式数据库的需求越来越迫切，金融国产分布式数据库系统已成为推动数字化转型的关键技术。

但是目前我国金融分布式数据库领域尚未形成统一的、规范的标准，各系统厂商在建设过程中各自为战，导致各个金融机构基于自身需求和场景选择不同的数据库产品，无法形成统一标准。通过《金融分布式数据库系统技术规范》的发布，可以解决以上问题，进一步明确分布式数据库的技术要求和应用场景，为金融业构建基于国产分布式数据库系统的信息系统提供了统一、规范、高质量的建设标准。

### 国内厂商的技术实力正在逐步提升

近几年，国内数据库厂商的技术实力在逐步提升，技术上已经不输国外厂商，甚至部分产品的性能和功能都要优于国外厂商。但由于国内企业起步较晚，在产品的市场份额、规模上依然与国外数据库厂商有一定差距。

总体来说，在云计算、大数据和 AI等技术的加持下，国产数据库产品的性能和功能都有了较大提升，在金融行业的应用也越来越广泛。但与国外成熟的数据库厂商相比，在技术、生态、商业模式等方面还有较大差距。

###  中国金融行业对分布式数据库的需求旺盛

据统计，中国银行业金融机构应用关系型数据库的比例为50%以上，到2020年底，全国银行业金融机构已建成国产分布式数据库超过1万套，分布在全国超过900家银行分支机构，在数据处理能力、业务承载能力、系统弹性能力、安全防护能力等方面全面领先。

而分布式数据库与传统关系型数据库相比，具有性能高、成本低、扩展性好等优势。分布式数据库的出现将会使得中国金融行业数据处理能力全面提升，金融行业对分布式数据库的需求旺盛。

## 国内分布式数据库产业生态逐步形成

国内分布式数据库产业生态逐步形成，目前主要有阿里云、华为云、腾讯云等国内主流云计算厂商以及中国移动、中国电信、中国联通等传统电信运营商，以及上海兰台信息技术有限公司、北京融信众诚科技有限公司等创业公司，还有包括中软国际、普华基础软件等众多企业参与到分布式数据库产品研发中来。

悦数图数据库（Yueshu Graph Database）以其优良的性能、安全可靠性以及对超大规模数据的有效处理能力，为金融行业提供了强有力的技术支撑。在当前国产分布式数据库金融行业发展的浪潮中，悦数图数据库凭借其在金融风控、实时推荐、知识图谱等核心业务场景的广泛应用，不仅赢得了众多互联网、金融头部企业的青睐，更推动了整个行业的数字化转型进程。未来，随着技术的不断创新和应用场景的不断拓宽，我们有理由相信，悦数图数据库将继续发挥其在金融行业中的引领作用，为构建更加智能、有效的金融生态系统贡献力量。

在当前国产分布式数据库金融行业发展的浪潮中，悦数图数据库凭借其在金融风控、实时推荐、知识图谱等核心业务场景的广泛应用，不仅赢得了众多互联网、金融头部企业的青睐，更推动了整个行业的数字化转型进程。

国产分布式数据库金融行业发展现状

![大模型和知识图谱](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-05-01.jpg)

随着近几年 AI技术的发展，很多公司都开始尝试将 AI技术与业务场景相结合，其中大模型就是一种能够将 AI技术落地到业务场景中的典型。但在具体的使用过程中，很多人可能会对大模型和知识图谱有一些混淆，尤其是在其实际使用过程中，可能会有一些人会将大模型和知识图谱二者相互混淆。
其实大模型和知识图谱在概念上并不矛盾，只是由于其自身的特点导致了在使用时需要进行区分。从本质上讲，大模型是基于机器学习技术的一种抽象和抽象化的知识表示形式，而知识图谱是基于知识图谱的一种实体识别技术。从两者的角度来看，二者可以被视为两种不同类型的知识表示形式。

## 实体识别

实体识别是指在知识图谱中识别出特定类型的实体。通常情况下，实体识别主要分为实体标注、实体分类、实体关系抽取等几个方面。目前在大模型和知识图谱领域中，主要的研究方向是利用机器学习技术对知识图谱中的实体进行识别和分类。其中，在进行知识图谱的实体标注时，需要遵循一些标准和规范。

## 实体链接

知识图谱中的实体链接是将知识图谱中的实体和关系进行关联，通过知识图谱中实体之间的关系来保证一致性，从而使得知识图谱中不同节点之间的关系得到有效的维护，也可以让同一节点所包含的实体尽可能地相互关联。通常来说，知识图谱中的实体链接主要分为两种，一种是直接链接，即通过在知识图谱中添加新节点来实现新旧节点之间的关联；另一种是间接链接，即通过已有节点之间的联系来实现新旧节点之间的关联。需要注意的是，两种链接方式并不是相互独立的，而是在其基础上进行一定程度上的融合和改进，从而使得知识图谱中各节点之间更好地进行关联。

## 关系抽取

在知识图谱的实体识别过程中，实体之间存在着一定的关系，关系的抽取是知识图谱构建的核心技术。关系抽取指的是从实体或者其关系出发，在知识图谱中识别出存在于实体之间的、或与其存在一定关系的、或与其不存在任何关系的实体。基于知识图谱和机器学习技术，可以从自然语言处理和知识工程的角度出发，对知识图谱中所包含的实体以及他们之间的关系进行抽取。
在大模型和知识图谱中，实体是指可以被看作一个完整意义上存在且独立存在、且能够为人类所理解、以及需要被人类所利用和解决的具体事物。其中，关系则是指不同实体之间存在着一定关联和影响的事物或概念。

## 知识图谱构建

在具体的应用过程中，知识图谱构建主要是通过知识获取和知识存储来完成的，通过获取用户提供的问题、答案、图片等形式的数据，来从海量数据中抽取出实体信息和实体之间的关联关系信息，最终将这些信息以图谱的形式进行存储。而知识图谱构建主要涉及到三个方面：
1)实体抽取：是知识图谱构建过程中最为关键的一步，其主要通过从海量数据中抽取出与问题、答案、图片等形式的实体，从而进行实体识别。
2)关系抽取：是在实体抽取的基础上，将不同类型的关系进行抽取和表示，最终通过知识图谱来构建出关于某一类问题、答案、图片等形式的知识。
3)知识融合：是将抽取到的实体进行融合。

对于计划将生成式AI应用于实际业务场景的企业而言，AI大模型的输出结果不仅要求准确，还需具备上下文连贯性和可解释性。在这一背景下，悦数图数据库与大语言模型LLM的联姻显得尤为关键。通过二者的深度结合，企业能够迅速构建出下一代知识图谱，进而实现大模型的有效智能落地。知识图谱的构建不仅为大模型提供了丰富的上下文信息，更使得模型的输出结果具备了更高的准确性。同时，大模型的优化也为知识图谱的不断完善提供了强大的支撑。这种相互促进的关系，使得企业能够以更低的成本释放巨量数据的价值，为业务的快速发展提供不断的动力。

对于计划将生成式AI应用于实际业务场景的企业而言，AI大模型的输出结果不仅要求准确，还需具备上下文连贯性和可解释性。在这一背景下，悦数图数据库与大语言模型LLM的联姻显得尤为关键。

知识图谱和大模型的关系

![大语言模型知识库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2024-04-30.jpg)

我们将从以下几个方面介绍建立大语言模型知识库的意义，首先是 AI前沿技术的发展，大语言模型、知识图谱等技术在各个行业领域的应用；其次是应用领域的拓展，将大语言模型应用到智能客服、智能医疗等多个领域；最后是对行业发展的促进，通过对大语言模型知识库的建立，带动 AI技术在更多行业的应用。

## AI技术的发展

早在上世纪50年代，科学家就已经开始关注人工智能技术的发展，包括知识表示和推理等技术，同时在上世纪90年代，研究人员将人工智能应用到语言模型上。经过多年的发展，现阶段已经进入了智能时代，人工智能的核心技术主要包括：深度学习、自然语言处理、计算机视觉等。

近年来，随着计算机硬件性能的提升、算法的不断突破以及算力的不断增强，人工智能技术在各个领域得到了广泛应用。当前人工智能技术已经进入了全新的发展阶段，例如：在金融领域，智能投顾、智能客服等行业应用。在医疗领域，智能影像诊断、智能药物研发等行业应用；在教育领域，智能助教、智能学习系统等行业应用；在交通领域，智能交通系统等行业应用等等。目前人工智能技术已经可以为不同行业提供智能化服务和解决方案，让我们的生活更加美好。

## 应用领域的拓展

大语言模型和知识图谱等技术在各行各业的应用已经比较成熟，现在我们需要将大语言模型应用到智能客服、智能医疗等多个领域。

- 在智能客服领域，目前的技术主要分为基于规则的和基于统计的。基于规则的客服系统主要应用于金融、保险等行业，基于统计的客服系统则广泛应用于电商、社交等场景。
- 在智能医疗领域，目前的技术主要应用于医生诊断、辅助治疗和疾病预测等领域，如辅助医生进行病症判断、辅助医生进行疾病诊断等。
- 在智能客服领域，目前主要应用于客服机器人和客服助理等方面。
- 在智能语音方面，目前主要应用于智能语音助手和智能音箱等方面。如互联网公司已经开始布局智能音箱业务，并推出了多种基于大语言模型知识库的语音助手产品。

## 对行业发展的促进

当前，大语言模型知识库已在智慧城市、智能客服、智能医疗等领域落地，也给行业带来了巨大的价值。但大语言模型、知识图谱等技术在各行业的应用也存在一些问题。

目前，在医疗、金融等行业中， AI技术主要是辅助人工完成数据的抽取、加工、标注等工作，而非替代人的认知过程。此外， AI技术在特定行业的应用还存在一定局限性。因此，为了更好地推动大语言模型及相关技术的应用发展，需要建立大语言模型知识库，以加强不同行业间的沟通和交流，并对 AI技术进行进一步加工和创新，从而推动行业的发展。

随着科技的飞速发展，生成式AI的应用正在成为企业转型升级的重要驱动力。悦数图数据库与大语言模型LLM的结合，为企业打造下一代知识图谱提供了强有力的支撑。这种一站式的解决方案，不仅降低了企业构建大模型的成本，更提升了应用的效率和智能化水平。通过释放巨量数据的价值，企业能够更准确地洞察市场趋势，优化决策流程，从而在未来的竞争中占据更有利的位置。

随着科技的飞速发展，生成式AI的应用正在成为企业转型升级的重要驱动力。悦数图数据库与大语言模型LLM的结合，为企业打造下一代知识图谱提供了强有力的支撑。

文章

标签