![Graph RAG 提升准确率](https://www-cdn.yueshu.cn/yueshu-website/images/0326%201.jpg)
在RAG（检索增强生成）任务中，知识库的构建与检索机制如同为模型配备了一个动态知识中枢。通过多级检索策略调用结构化文档、领域论文及实时行业报告，系统可实现35%-50%的准确率提升，并借助语义关联构建知识图谱，使生成内容兼具专业深度与跨领域拓展性。

一、RAG优化框架与实施路径

完整的RAG流程包含两大核心阶段，需通过分层优化实现高效检索与精准生成：
阶段一：知识预处理与向量化
1.数据清洗与结构化处理：
对原始文档进行格式去噪、术语统一及同义词映射，利用依存句法分析和语义角色标注技术划分语义连贯的文本块，确保每个单元承载独立的知识逻辑。

2.混合向量化编码：

结合BERT-Whitening、Sentence-Transformer等深度表征模型，生成768维向量嵌入，构建支持亚秒级检索的混合型向量数据库。此阶段需重点关注文本分割的合理性，避免因分块不当导致语义断裂。

阶段二：动态检索与响应生成

1.多模态检索策略：

用户查询经语义解析后，采用多路并行检索：
向量相似度计算（基于Faiss/HNSW算法）捕捉深层语义；
关键词倒排索引确保精确匹配；
知识图谱跨模态对齐实现多维关联。

2.上下文优化与生成控制

对Top-K候选片段进行动态加权融合，通过自适应压缩技术生成上下文窗口。当检索失效时，大模型（如GPT-4-turbo）切换至零样本推理模式，并在响应中标注知识边界，平衡专业性与开放性。

二、分块技术的核心挑战与解决方案

长文本直接处理受限于模型算力，分块技术成为关键，但其设计需权衡信息完整性与计算效率。常见技术瓶颈包括：
语义割裂：固定分块易破坏上下文逻辑；
冗余与遗漏：递归分块可能重复或丢失信息；
格式依赖性：文档结构分块需依赖规范排版。

三、RAGFlow的文档分块适配方案

RAGFlow支持多元分块策略，根据文档类型与业务需求灵活选择：
通用分块：适配多格式文档（DOCX、PDF、HTML等），需结合NLP模型优化；
垂直场景分块：如简历解析（DOCX/PDF）、法律条文（DOCX/TXT）、论文（PDF）等，针对性提升处理效率；
完整文本输入：适用于短文档直接处理，依赖大模型上下文长度支持。

四、召回机制的优化方向

分块后的召回性能直接影响系统效果，需从多维度突破：
混合检索算法：融合向量相似度、关键词匹配与图谱推理；
动态阈值调整：基于反馈学习优化相似度过滤条件；
上下文增强：通过知识蒸馏压缩推理耗时，抑制模型幻觉。
RAGFlow系统已集成上述策略，用户可通过参数调优实现更优的召回性能。分块技术与召回机制的双重优化，将推动私有知识库在专业性与效率上的持续提升。


在RAG（检索增强生成）任务中，知识库的构建与检索机制如同为模型配备了一个动态知识中枢。通过多级检索策略调用结构化文档、领域论文及实时行业报告，系统可实现35%-50%的准确率提升，并借助语义关联构建知识图谱，使生成内容兼具专业深度与跨领域拓展性。

 提升大模型私有知识库准确率的核心策略：智能化分块技术解析

在知识管理领域，企业常常面临专业知识与业务洞察力局限于少数团队成员的问题，导致知识孤岛和咨询瓶颈。而生成式 AI 技术，如 DAG、Workflow、Agent 和 RAG 等工具尽管能力强大，但对于非技术背景的员工来说却显得遥不可及，成为 Gen AI 技术落地的一大阻碍。为了打破这一壁垒，杭州悦数推出了『悦数 RAG』这一极简的知识应用构建平台，旨在打破企业内部专业知识与业务洞察力的局限性，解决困扰企业的知识孤岛和咨询瓶颈问题。

本次我们请到了杭州悦数 Gen AI 负责人古思为、AI 工程师余毅航，为大家深度解析 Graph RAG 技术如何赋能每一位员工，无论技术背景如何，都能够轻松创建和优化知识应用，共同推动企业的知识共享与创新，开启智慧企业的新篇章。


# 直播重点



## Graph RAG 的技术背景剖析 

Graph RAG 技术的奥秘，分享它前所未有的上下文感知能力与高效数据训练效果。

## 悦数在 Graph RAG 领域的耕耘

『悦数 RAG』如何帮助企业打破知识孤岛，实现知识普及与应用构建。

## 未来更新计划

未来『悦数 RAG』的技术创新与优化计划，以更加卓越的性能和更广泛的应用场景。

## 在线演示

现场演示如何使用『悦数 RAG』快速构建定制化知识应用，见证尖端技术与易用性的融合。


# 报名方式

扫描下方海报二维码，立即预约直播席位与行业专家面对面交流！

![https://www-cdn.yueshu.cn/yueshu-website/images/0905poster.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0905poster.jpg)

『悦数 RAG』将持续迭代升级为企业提供更多元、更高效的解决方案助力企业在数字化转型的道路上迈出坚实的步伐。

引领业务创新，重塑企业知识管理

图创价值 Live—悦数 RAG ：引领业务创新，重塑企业知识管理

自 2023 年 8 月悦数与 LlamaIndex 联合发布 Graph RAG 以来，该技术就一直处于技术潮流的前沿。它通过提供更具上下文感知的能力和数据训练的方法，缓解了传统搜索增强技术的幻觉，确保所提供的回复不仅精确，而且有足够丰富的信息。

在今天举行的 VLDB 2024 LLM+KG 研讨会上，悦数 Gen AI 负责人古思为进行了关于《将生成式 AI 与图数据库结合：来自悦数图数据库的创新与见解》的演讲，在演讲中基于 Graph RAG 理念设计的『悦数 RAG』首次亮相，它可以简化知识应用的创建过程，无需编程技能即可轻松上手使用，掀开企业知识管理新篇章 。

![https://www-cdn.yueshu.cn/yueshu-website/images/08263.png](https://www-cdn.yueshu.cn/yueshu-website/images/08263.png)

##### 悦数图数据库 Gen AI 负责人古思为正在演讲


# 什么是『悦数 RAG』？


『悦数 RAG』是一款极简的知识应用构建平台，使 Graph RAG 技术的强大功能触手可及。用户可以通过友好易用的对话界面轻松创建搜索引擎、聊天机器人和内容生成应用，无需任何编程操作。通过激活和循环内部知识，『悦数 RAG』能够最大限度地发挥其价值，将知识和见解转化为行动。


# 为什么企业需要『悦数 RAG』？


对于许多企业来说，丰富的专业知识和业务洞察力往往局限于少数团队成员中，形成了知识孤岛和咨询瓶颈。对于没有计算机科学背景的领域专家来说，DAG、Workflow、Agent和 RAG 等生成式人工智能技术可能令人望而却步，成为 Gen AI 技术落地企业的一大阻碍。因此，通常只有数据或人工智能部门的同事才会使用这些高级工具，类似于只有少数人掌握 Excel 中的复杂商业智能和高级统计功能。

『悦数 RAG』提供了一个简单易用的平台，降低了高级工具的入门门槛，使每个员工都能根据自己的领域知识创建和优化应用程序。在直观的对话界面引导下，用户使可以像与同事交谈一样自然地构建和完善应用程序。从下一代搜索引擎到客户服务问答系统、报告生成器和故障排除工具，『悦数 RAG』将尖端技术与易用性融为一体。

![https://www-cdn.yueshu.cn/yueshu-website/images/08262.png](https://www-cdn.yueshu.cn/yueshu-website/images/08262.png)

##### 用户应用界面：Graph RAG 回答援引的 Graph 上下文

# 用户主要收益

## 简化定制化解决方案的创建

企业可以轻松构建适合自身复杂需求的定制化知识应用，无需深入研究技术细节即可优化内部工作流程。

## 普及的知识应用构建

『悦数 RAG』提供了一个易于使用的平台，其设计精良的用户界面和简化的操作流程使得每位员工都能根据自身需求自主创建知识集和构建应用。这种设计使得构建应用不再是少数 IT/AI 技术人员的专属任务，而是所有员工都能参与的活动，从而加速了企业内部信息和资源的流通，提升了决策的速度和准确性。

## 低成本无缝接入尖端技术

企业用户无需额外的开发投入或昂贵的培训成本，即可利用最先进的高级 RAG、Graph RAG 技术，快速实现知识管理和应用创新，从而加速业务创新和价值创造。

## 即时访问内部知识库

『悦数 RAG』提供的搜索和问答功能使企业能够迅速构建内部知识库的搜索引擎，提高员工访问关键信息的速度和效率，是构建企业内部智能问答系统的最直接方案。

![https://www-cdn.yueshu.cn/yueshu-website/images/08261.png](https://www-cdn.yueshu.cn/yueshu-website/images/08261.png)

##### 应用构建界面：通过自然语言设置、维护和优化应用


# 准备好将您的知识管理提升到 RAG 应用层面了吗

与市场上其他面向企业的 RAG 产品相比，『悦数 RAG』不仅在将 Graph RAG的性能拉满，而且在用户友好性和易用性方面也表现出众。其他解决方案可能需要深厚编程知识和技术专长，而『悦数 RAG』确保即使是非技术用户也能利用先进的 AI 技术的力量。选择使用『悦数 RAG』将降低知识管理的成本，并无疑会促进一个更加包容和创新的工作环境。

点击链接，[联系我们](https://www.yueshu.com.cn/contact)，开始您的悦数 RAG 之旅！

悦数 RAG 正式亮相 ：从知识到应用的飞跃，只要几分钟

悦数 RAG 正式亮相 ：从知识到应用的飞跃，只要几分钟（文末附使用申请链接）

在近日举办的『图创价值 Live——解锁能源新未来！能源行业图技术解决方案深度探索』的直播活动中，远景智能电网技术总监刘克文和杭州悦数解决方案专家鲍翰林共同探讨了新能源行业快速建设带来的新挑战、解决挑战的关键因素以及图数据库技术在新能源电网领域的突破性应用。

直播活动上正式发布了《全局视野，精准决策丨图数据库在新能源电网中的突破性作用》白皮书。本文将概述白皮书的精彩内容，扫描以下二维码即可下载白皮书，收获满满行业干货！

![https://www-cdn.yueshu.cn/yueshu-website/images/0822post1.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0822post1.jpg)


# 新能源行业快速发展为底层系统带来新的挑战


在当前能源转型和电力市场改革的背景下，电网行业面临三大核心挑战：首先是电网规模的不断扩大与复杂性的增加，使得电网的运行、维护和优化变得更加困难；其次是新能源的广泛接入与分布式能源的快速发展，对电网的灵活性、稳定性和智能化水平提出了更高要求；最后，如何在保障电网市场化运作的同时，确保数据的公正公平使用，防止价格操纵和不公平交易行为，成为电网行业亟待解决的问题。


# 基于图的应用解决方案


图数据库技术以其强大的关联数据处理能力，为电网行业提供了新的思路和方法。通过构建电网的图模型，可以直观展示电网拓扑结构和运行状态，实现精细化管理和优化。同时，该技术还支持复杂查询和实时数据分析，为电网智能化决策和快速响应提供支撑。此外，结合机器学习和人工智能技术，图数据库技术还可以进一步挖掘电网数据的潜在价值，为电网行业的可持续发展注入新的动力。


## 全局：构建“全网一张图”


通过图数据库技术，构建源网荷储电力系统全息图模型，将电网中的各类设备、线路和节点等元素进行全面建模和关联，形成一张全景式的电网模型。这种模型不仅直观展示电网的整体结构，还为后续的计算和分析提供了全面准确的数据支持。


## 快速：实时并行计算，提升响应速度


图数据库在实时并行计算方面具有显著优势，能够高效存储和查询复杂关系，满足实时大数据分析的需求。这一特性使得电网系统在应对复杂故障场景时能够迅速响应，有效保障电网的稳定运行。


## 准确：精准分析，优化决策过程


基于图数据库的输配电网协同网络分析功能，可以高效进行预想故障分析，通过快速准确的潮流计算和故障集筛选，为电网调度提供科学依据，提高电网的智能化管理水平，降低停电风险。


# 产品与客户案例分享

悦数图数据库是值得信赖的高性能图技术底座，助力了某电力调度中心构建统一时空立体模型的。通过融合调度、配网、暂态和市场等多类业务的统一模型，该中心实现了设备间关联关系从全量秒级计算到增量毫秒级读取的根本性改变，显著提升了调度决策的准确性和科学性，同时降低了系统运维成本，带来了显著的经济效益和社会效益。

作为新能源电网领域的重要技术支撑，图数据库技术将为能源行业的数字化转型贡献力量。扫描下方二维码下载【图数据库能源行业解决方案白皮书】。

![https://www-cdn.yueshu.cn/yueshu-website/images/0822post2.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0822post2.jpg)

全局视野，精准决策丨图数据库能源行业解决方案白皮书正式发布！

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-4.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0731-4.jpg)

随着全球能源结构的深刻变革，能源系统正面临着前所未有的挑战与机遇。新能源的迅猛发展、电力市场化的推进以及电网调度的复杂性不断升级，都对能源系统的智能化、高效化提出了更高要求。为此，我们特别邀请了到了悦数解决方案专家-鲍翰林，为您带来一场关于“能源行业图技术解决方案”的深度直播，共同探索如何利用图技术赋能产业，创造无限可能。


在本次直播中，我们还将发布**能源行业解决方案白皮书**，并在直播结束后开放下载。同时，我们还将为您提供技术支持与咨询服务，助力能源行业的数字化转型与升级。


# 直播重点


## 能源行业现状分析与挑战



### 新能源发展迅猛：


据《2024电力供需分析报告》统计，到2024年底全国发电装机容量将达到33.2亿千瓦，其中新能源装机占比超过40%，居世界第一，但弃风弃光现象依然严重。


### 电力电子化特征凸显：


直流输电和新能源发电的引入，使得电网电力电子化特征更加显著，稳定形态更加复杂。


### 市场化与监管并重：


电力市场化推进与监管强化并存，调度机构需平衡电网安全运行与市场有序运作。


## 图技术如何重塑能源系统



### 全局一张图模型：


构建覆盖发、输、变、配、用全局的“全网一张图”，实现全局建模和实时监视分析。


### 大数据处理能力：


利用图数据库处理海量关系数据，实现分布式存储和并行处理，提升数据处理效率。


### 实时并行计算：


采用“存算一体”计算模式，快速响应电网动态变化，提高故障处置速度。


## 图技术在能源行业应用中的实践案例



### 输配电网协同网络分析：


实现超实时态势感知，将分析周期从分钟级缩短到秒级，提升电网运行效率。


### 状态估计与在线潮流计算：


融合图节点/分层并行计算，提升计算性能，实现毫秒级状态估计和秒级在线潮流计算。


### 海量设备生命周期管理：


通过设备追踪管理和质量分析管理，构建设备知识图谱，实现设备全生命周期的智慧化管理。

**扫描下方海报二维码！立即预约直播席位，与行业专家面对面交流！**

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-6.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0731-6.jpg)

**我们期待在直播中与您分享更多关于能源行业解决方案的精彩内容，共同探索数据驱动的未来能源之路**

共同探索数据驱动的未来能源之路

图创价值 Live——解锁能源新未来！能源行业图技术解决方案深度探索

悦数图数据库新版本今日正式发布！作为**首款也是目前唯一一款**分布式 GQL 图数据库，它的发布是图技术发展中的一个重要里程碑，标志着图技术迈上了新台阶！悦数图数据库在设计上致力于提供卓越的性能与效率，旨在满足现代数据运营中的核心需求。新版本引入了全新升级的架构，全面释放了 GQL 强大的功能；配备的增强内核引擎，为子图计算、多集群管理等新功能提供了卓越的性能基础，确保了数据的可靠性和安全性。


# 悦数图数据库新版本的核心亮点


## 深度优化的全新架构
GQL 不仅是标准图查询语言，它还标准化了图数据库的的综合定义，包括目录、图类型等。只是简单的将 GQL 兼容到现有图数据库中并不能发挥它的全部能力，在新版本中，悦数的研发团队从存储层到计算执行层都进行了大量优化，从而在架构层面发挥 ISO-GQL 的全部能力。

## 性能强劲的内核引擎
新版本悦数图数据库的内核引擎已根据最新的 GQL 标准进行升级和优化，增加了新特性和功能，以更好地满足客户需求。

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-8.png](https://www-cdn.yueshu.cn/yueshu-website/images/0731-8.png)


### 支持原生图的查询计划
本次升级引入了基于关系代数的查询优化规则，同时提供针对企业用例的原生图查询计划和操作符。

### 全新升级的数据存储模式
新版本在存储层的执行能力得到提升，能够处理计算层下推的操作符。经过优化后的存储模式，能够实现更精细的分片，便于数据的合并和拆分，解决底层数据的分布带来的难题。

### 优化增强的执行器
新版本支持并发执行环境、向量化执行引擎，以及细粒度的内存管理，可下推子查询计划。计算和存储层之间的交互协议和数据结构经过调优，减少数据转换，提高整体性能和内存效率。

## 强大的子图计算能力
本次升级全新引入子图计算功能，允许用户针对图数据的特定区域进行深入分析，无需遍历整个图结构，从而显著提高了处理复杂图遍历任务的速度和效率。


## 灵活高效的多集群管理
新版本基于 GQL 目录和图的类型能够对应多个图的定义，实现了多集群管理功能，支持第三方认证和基于最小权限原则（PoLP）的授权机制。这一功能不仅提高了资源利用率，还确保了不同集群间的独立性与安全性，满足了复杂业务场景下的高性能与隐私保护需求。

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-7.png](https://www-cdn.yueshu.cn/yueshu-website/images/0731-7.png)


## 高度可定制的插件体系

悦数图数据库在新版本中提供了更强的集成和定制化能力，允许用户根据实际需求定制系统功能。从算法实现到认证方法，从日志管理到审计跟踪，用户都可以根据自身需要轻松添加或修改插件，并通过权限管理来实现系统的深度定制、扩展和精细化管理。


# 这些新功能对您的业务意味着什么？


## 面向未来的技术选择


标准向来是技术领域的可靠伙伴，拥抱GQL意味着您将站在技术发展的前沿，避免被快速迭代的技术趋势所淘汰。无论是CIO还是开发人员，都能从 GQL 的一致性、互操作性和可扩展性中受益，比如降低学习成本，提升工作效率、无缝集成生态系统、避免被供应商限制等优势。


## 显著提升的性能与效率


基于 LDBC SNB Interactive 基准测试的数据，悦数图数据库在性能上实现了显著提升。与旧版本相比，其查询速度最高可提升 6 倍以上，平均提升达到 3 倍。同时，内存使用效率也大幅提升，峰值内存占用降低了 90%。这一系列的性能优化，使得用户可以在更低的硬件成本下，获得更为强大的数据处理能力。具体而言，新版本的悦数图数据库仅需使用原先 1/10 的内存，即可实现先前 3 倍以上的性能表现。


## 轻松应对复杂业务场景


新版本悦数图数据库将易用性和灵活性提升到了新的高度。通过引入子图计算功能，用户可以轻松分析和管理数据的特定部分，使复杂查询更加直观高效。新的插件功能增强了定制化能力，使企业能够无缝地将数据库定制为符合自身独特需求的形式。此外，多集群管理能力确保了大型分布式系统的扩展和维护既简单又可靠。这些进步共同使用户能够以前所未有的简便性和适应性充分挖掘图数据的潜力。

随着悦数图数据库新版本 RC 版的发布，悦数为分布式图数据库性能和灵活性树立了新标准。抓住这次机会，让您的数据基础设施面向未来，实现前所未有的性能和效率！


现在，是时候让您的数据基础设施迈上新台阶了！立即体验新版本悦数图数据库，开启您的图数据库新时代！



悦数图数据库新版本 RC 版今日正式发布！

悦数图数据库新版本 RC 版发布：全面拥抱GQL，引领图数据库新时代

![https://www-cdn.yueshu.cn/yueshu-website/images/0527banner.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0527banner.jpg)

自从 ISO 发布了最新的 GQL 图查询语言标准以来，图数据库供应商和研究机构之间关于其对行业影响的讨论接连不断。显然， GQL 的普及得益于图数据库在诸如推荐引擎、供应链管理等领域的广泛应用。因此，需要一种统一的标准语言来查询和管理图数据库。

GQL 的重要性在于它能够用一个单一的标准化语言取代多种数据库特定的查询语言。这不仅促进了图数据库之间的互操作性，还标志着对某些图数据库供应商依赖的终结。此外，除了定义查询语言之外，GQL 还标准化了图数据库应该是什么以及它应该具备哪些关键特性，为图数据库行业的发展奠定了深远的基础。在本文中，悦数将带你了解  GQL 的一些重要术语，并探讨其对行业的变革潜力。
GQL 的关键术语和定义


# GQL 的关键术语和定义


GQL 的发布旨在建立一种统一的、声明式的图数据库查询语言，它既兼容现代数据类型，又能直观地表达出图的复杂逻辑。它定义了一个包括 DQL、DML、DDL 等属性图数据库的全面且强大的交互的框架，提供了一种现代且灵活的图数据管理和分析方法。以下是一些开发人员或图数据库用户应了解的 GQL 关键定义。


## 属性图数据模型


GQL 在包含节点和边的数据模型上运行，可进行基于模式的分析并能够将完成灵活的数据添加。该数据模型专为属性图数据库量身定制，因为 GQL 基于应用范围广泛的相对成熟图查询语言，吸收了其优点并确立了新标准。

资源描述框架（RDF）曾是另一种图数据模型类型，但并未纳入到 GQL 中作为标准图数据模型。结合 GQL 的定义，显然属性图数据模型才是事实上的标准模型。


## 图模式匹配（GPM）


GQL 定义的 GPM 语言使用户能够通过编写简单的查询语句来进行复杂的数据分析。虽然传统的图数据库查询语言支持单一模式匹配，但 GQL 进一步促进了跨多个模式的复杂模式匹配。例如，GQL 支持路径聚合、变量分组和带有可选过滤的嵌套模式匹配，提供了处理更复杂业务逻辑的表达能力。


## GQL Schema


GQL 既支持无 Schema 图（可接受任何数据），也支持强 Schema 图（受“ GQL Schema ”中指定的预定义图类型约束）。无论是无 Schema 图的灵活性，还是受 Schema 约束图的精确性，GQL 都可以满足广泛的数据管理需求。


无 Schema 图允许随时向节点或边添加新属性，而无需修改数据模型。这种适应性在处理复杂且不断变化的数据时非常重要，但从另一个角度来看，无 Schema 图将处理复杂数据管理的工作负担转移到开发人员身上。


相反，强 Schema 图提供了一个保证数据一致性和完整性的严格框架。强 Schema 内的确定性数据结构使任何数据变化都清晰可控。此外，预定义的数据结构增强了数据的可理解性和可用性，为用户和系统优化了查询过程。虽然强 Schema 图可能牺牲了一些灵活性，但在数据结构定义明确且输出数据具有规律性的生产环境中，这种权衡往往是合理的。


## 图类型


图类型是将图的内容限制为特定节点和边类型的模板，提供了一定程度的数据控制和结构。在 GQL 的定义下，图类型可以应用于多个图，这意味着相同的图结构类型可以在不同应用中共享，增加了灵活性。例如，企业的数据可能在不同部门、不同时区中有所不同，并且数据权限可能相互隔离。在这种情况下，使用相同的图类型可以促进业务管理，因为具有相同图类型的多个图能够实现权限管理和数据隐私合规规定。


# GQL 的显著进化


## GQL-catalog 与 GQL-data 的分离


GQL 参考 SQL 定义了一个持久且可扩展的目录初始化运行时环境：GQL-catalog。GQL列出了其存储的数据对象，包括各种元数据，如图、图类型、过程、函数等。GQL-catalog 可以独立于数据本身进行维护或升级，实现了灵活的权限管理和统一、标准化的元数据管理方法。


## 多图联合查询

GQL 支持多图联合查询。通过在查询过程中使用不同的图表达式，用户可以对不同的图进行操作，如组合、条件规则和连接等。这种能力有利于反欺诈调查和知识图谱整合等场景，在这些场景中，交叉引用公共和私人数据集是至关重要的。这些场景由于数据合规性、维护等原因，既需要数据隔离也需要集成数据分析。因此，数据需要拆分成多个图，但它们需要组合以完成特定的业务需求。


## 支持无向图


与之前图形数据库关系始终具有方向的定义不同，GQL 允许无向图。在某些情况下例如友谊这样的，顶点之间的关系自然没有方向，例如友谊。虽然这些关系可以建模为有向的，但这样做需要两个单独的边，从而使建模和查询过程变得复杂。


# 总结

GQL 的标准化是图数据库行业的一大进步。它不仅提供了简化的用户体验，还规范了属性图数据库的定义及其应具备的功能，并参考了实际应用场景。GQL 增强了图数据库在各个行业中的变革潜力。


新版本悦数图数据库是首个提供原生 GQL 支持的分布式图数据库，因为它基于 GQL 构建并为 GQL 设计。对于那些渴望体验图数据库查询未来的人来说，立即与我们联系，获取免费试用机会，亲身发现 GQL 的强大之处。


GQL 如何塑造图数据库的未来



# GQL 的革新



随着 GQL 查询语言的出现，不同图数据库系统得以实现统一的查询标准，彻底打破了数据库间的学习与迁移障碍。这一革新，不仅降低了图数据库的入门门槛，更推动了图技术在企业中的应用，助力复杂关系数据的高效处理。







5 月 23 日，悦数图数据库产品总监方扬亲临直播间，为我们深入剖析了 GQL 的技术内核，以及它如何引领图数据库技术的全新变革。同时，还揭秘了新版悦数图数据库的众多技术特点，让人眼前一亮。



若您错过了在线直播，请前往 **悦数图数据库** 视频号

即可观看精彩视频回放！

后续我们将带来更多关于图技术的干货分享~


# 主要内容  


## GQL ，不仅仅是一门语言

整个 GQL 的制定发布，不仅仅是一门查询语言的发布，它意味着图作为主要的数据模型进入到 IT 技术的基础架构中，促使大家使用图去思考问题。对图数据库的普及非常重要。可以类比的是，根据 IDC 的数据，SQL 发布后的 9 年时间里，对高校、学术界、产业界都有很大影响，整个关系型数据库的市场规模增长了 45 倍之多。


在 GQL 制定的过程中，完善了图数据库的定义，包括  Catalog、GraphType、Graph 、Node/Edge、Type / Label / property 等等，规范了一个图数据库应包含哪些内容，用户应该怎样去使用，所以，可以大胆预测的是，不支持 GQL 的图数据库产品，在未来一定会被淘汰。


## 悦数图数据库新引擎 


相比 v3 版本，v5 版本的引擎做了非常巨大的提升和优化。除了原生支持 GQL 以外，悦数图数据库根据多年的行业应用经验，增加了更多的查询优化规则，并且基于关系代数的查询优化，我们还增加了图原生的查询计划和算子，优化了计算层与存储层之间交互的通讯协议和数据结构，减少数据转换，提高整体性能，降低内存开销。


后续我们还将为大家带来更多有关 GQL 以及新版本悦数图数据库的干货分享~欢迎大家关注 悦数图数据库视频号 和 官方 B 站账号。我们会不断更新内容哦！

另外，本次直播视频回放已上传，如需下载本次文档，公众号后台回复 **解构 GQL** 获取。

悦数始终致力于技术的创新与突破，

期待与您共同见证图技术的辉煌未来！

悦数始终致力于技术的创新与突破，
期待与您共同见证图技术的辉煌未来！

直播回顾丨GQL 与新版本悦数图数据库亮点解析

![https://www-cdn.yueshu.cn/yueshu-website/images/0516banner01.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0516banner01.jpg)

## 活动背景 

GQL 是自 1987 年发布 SQL（Structured Query Language）标准以来，ISO 组织发布的第二个数据库标准语言。尽管数据库类型繁多，例如向量数据库、时序数据库等，但目前仅有 SQL 和 GQL 两种被 ISO 组织正式标准化的数据库查询语言，标志着图数据库技术在数据库领域的重要性和广阔前景。

SQL 在发布之后，立即成为数据管理的行业标准，极大促进了关系型数据库技术的标准化和商业化。与 SQL 对产业的推动类似，GQL 的标准化将大幅降低图数据库技术的入门门槛，提升技术的普及率，使得更多的企业用户能够轻松采纳并有效利用图数据库来处理复杂的关系数据。

本次图创价值 Live 活动将以产品总监的视角，多方位解构 GQL 这一新发布的图查询语言，探讨 GQL 对未来数据查询和数据分析的重要性。最后，即将发布的新版本悦数图数据库将原生搭载 GQL，为数据库赋予更强大的查询能力。

## 活动时间

5 月 23 日 13:00

我们将在悦数图数据库官方

微信视频号 和 B站账号 同步直播哦~

详情请扫描海报二维码进行预约哦~

![https://www-cdn.yueshu.cn/yueshu-website/images/poster0516.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/poster0516.jpg)

后续我们还会继续针对

GQL 和新版本悦数图数据库推出更多干货满满的内容~

欢迎大家持续关注~

5 月 23 日 13:00，我们将在悦数图数据库官方
微信视频号和B站账号同步直播哦~

图创价值 Live——悦数与你一同解构 GQL

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/%E6%82%A6%E6%95%B0LLM_%E7%94%BB%E6%9D%BF%201%20%E5%89%AF%E6%9C%AC.jpg)

随着 AI 人工智能技术的迅猛发展和自然语言处理领域的研究日益深入，如何构建强大的大语言模型对于企业来说愈发重要，尤其是在特定行业领域中。

图数据库作为处理复杂数据结构的有力工具，为企业构建行业大语言模型提供了强大的支持。本文将探讨图数据库和图技术在帮助企业构建行业大语言模型方面的应用，以及它们如何提高语言模型的智能性和适用性。

# 行业大模型的机遇与挑战

在信息爆炸的时代，海量的自然语言文本涌现，企业需要处理大量来自不同渠道的文本数据，以获取有价值的信息和洞察。

行业大语言模型（LLM）是针对特定行业领域的大规模自然语言处理模型，可以理解、分析和生成与该行业相关的文本信息。它具有广泛的应用场景，如舆情分析、智能客服、信息抽取等。企业搭建自有行业大模型不仅可以释放人工绝大部分重复性、繁琐的日常查询工作，更能利用大模型的学习和推理能力实现行业的深度洞察，发现新的业务视角和增长点。

另一方面，行业大语言模型的构建也面对着巨大的压力与挑战，包括数据预处理、领域知识的获取、文本分类、关系提取等方面。搭建企业专属的行业大语言模型不仅需要深刻理解行业领域的专业知识和术语，以保证模型的准确性和可靠性，还需要有一定的知识推理和联想能力，以应对多种环境下复杂的用户需求。

传统的训练方法存在训练成本高、效率低、上下文信息不足的问题，导致大语言模型难以在生产环境中真正落地——而图数据库在海量、多样化、复杂数据场景中处理能力和直观、灵活、高效的特性恰好能解决这些问题，因此正被广泛应用于大模型训练和多种实际应用场景。

# 图技术如何提升大语言模型能力？

## 模型训练和上下文学习

图数据库是一种以点边形式存储和呈现数据的新型数据库。凭借图形格式组织和连接信息的方式，天然适合存储及表达复杂的上下文信息。图数据库中的节点表示实体，边表示实体之间的关系，因此能够允许高效地存储、检索和分析复杂的多维数据。

通过图技术构建知识图谱提升 In-Context Learning 的全面性为用户提供更多的上下文信息，能够帮助大语言模型（LLM）更好地理解实体间的关系，提升自己的表达和推理能力。

同时，通过图数据库将文本中的实体与图谱中的实体进行关联，有助于消除实体在文本中的歧义，使语言模型能够正确识别实体并从知识图谱中获取更多信息。

## 行业数据分析及预测

图数据库可以用于存储和管理行业数据，将结构化和非结构化数据整合在一起。这使得语言模型能够从图数据库中获取行业数据，并进行深入的数据分析。

图数据库中存储的行业数据可以作为语言模型的训练数据和参考数据，帮助模型更好地理解行业领域的背景和特点。同时，企业还可以利用图数据库进行行业数据分析和预测，为决策提供更深入的洞察和决策支持。大语言模型亦可以借助图数据库中的数据，进行行业趋势分析、市场预测等工作。

## 语义搜索和推荐系统

图技术可以用于构建语义搜索和推荐系统，通过图数据库中实体之间的关系，发现文本数据的语义相似性和关联性。语言模型可以借助图技术更智能地进行搜索和推荐，提供更加准确和个性化的结果。

## 关系提取和语义理解 

通过图技术，可以从大规模文本数据中提取实体之间的关系和语义信息。这有助于语言模型更好地理解文本的上下文和含义，提高模型在行业领域的理解能力。


# 图数据库与大语言模型的行业应用

## 医疗健康行业

在医疗健康行业，海量的医学文献、临床数据和患者病历等信息需要进行有效的管理和分析。借助图数据库和图技术，企业可以构建医疗健康领域的大语言模型。通过构建医疗知识图谱，将医学实体（如疾病、药物、治疗方法等）和它们之间的关系进行建模，语言模型可以从中获取丰富的医学知识。在实体链接和实体消解方面，图技术可以帮助将医学文本中提及的实体准确地对应到知识图谱中，消除歧义，提高模型的准确性。医疗健康行业大语言模型的构建可以应用于智能诊断、疾病预测、个性化医疗建议等，为医疗领域提供更精准和智能的解决方案。

## 金融保险行业

在金融领域，复杂的金融数据需要进行深入的分析和预测。图数据库和图技术可以帮助构建金融领域的知识图谱，将金融实体（如股票、交易、金融指标等）和它们之间的关系进行建模。语言模型可以从中获取金融领域的专业知识，并在金融数据分析、投资决策等方面发挥重要作用。利用图技术进行关系提取和语义理解，可以从金融新闻、研究报告等文本中提取关键信息，帮助语言模型更好地理解金融市场的动态和趋势。金融领域的大语言模型应用可以应用于投资分析、风险管理、智能客服等，为金融行业带来更智能和高效的服务。

## 电商零售业

在零售业，企业需要处理大量的商品信息、用户评论、销售数据等。图数据库和图技术可以帮助构建零售行业的知识图谱，将商品、品牌、用户等实体和它们之间的关系进行建模。语言模型可以从中获取零售行业的专业知识，并在商品推荐、用户个性化服务等方面发挥作用。利用图技术进行实体链接和关系提取，可以从用户评论中抽取有用信息，帮助语言模型更好地了解用户需求和购物偏好。零售业中的行业大语言模型应用可以应用于智能商品推荐、客户细分、市场趋势分析等，为零售企业提供更智能化和个性化的购物体验。



# 未来展望：图数据库与语言模型的融合与落地

随着大数据和人工智能技术的不断发展，图技术和语言模型的深度融合将成为未来发展的趋势。图技术可以为语言模型提供更丰富的知识基础和语义理解能力，帮助模型更好地理解行业知识和语义。未来，图数据库将更加高效、灵活和智能，能够处理更大规模、更复杂的图结构数据。

作为一款国产的原生分布式图数据库，悦数图数据库具有性能高效、安全稳定、易于扩展的特点。目前，悦数图数据库通过将自身图技术与自然语言处理技术（NLP）等紧密结合，为企业提供了强大的数据管理、语义理解和信息提取能力。其高效、灵活和智能的特性，能够帮助处理更大规模、更复杂的图结构数据，为企业构建行业大语言模型提供更强大的基础技术底座支持。

**与此同时，悦数图数据库也是国内首家引入了 LangChain 的图数据库厂商，率先实现了基于 Knowledge Graph + Vector DB 的 retrieval-augmented generation （Graph In-Context Learning）方案**。同时，悦数图数据库正致力于将 “GraphStore” 存储上下文引入 Llama Index，从而引入知识图谱的外部存储，全面打造更高效易用的「图+ LLM」 解决方案。通过提供面向 AIGC、LLM 等智能应用的图基础设施，帮助企业轻松构建关联海量数据的知识图谱，全面提升行业大模型的训练和部署成本，形成更敏捷、高效、易用的人工智能应用。

未来，行业大语言模型将在更多的行业领域得到应用。随着图数据库和图技术的不断发展和应用，行业大语言模型将变得越来越智能化、定制化。它们将帮助企业更好地理解行业数据、洞察市场趋势、优化业务决策，为企业的创新和发展带来更多的机遇和动力。


您可以点击 [Demo 链接](https://yueshu.com.cn/demo/llm-kg-demo)，一起来体验使用自然语言实现知识图谱构建&查询的乐趣。也欢迎通过[官网](https://yueshu.com.cn/)或公众号关注我们，和悦数图数据库一起链接数智未来新时代！

![悦数图数据库-联系我们](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/ending-page.jpg)


本文将探讨图数据库和图技术在帮助企业构建行业大语言模型方面的应用，以及它们如何提高语言模型的智能性和适用性。

Graph + LLM｜图数据库技术如何助力行业大语言模型应用落地

> 本文整理自悦数图数据库-资深技术专家-古思为 在《图创价值·图+AI 在金融反欺诈行业应用》现场的分享，查看原文  [点击此处](https://yueshu.com.cn/posts/graph-database-with-ai-technology)。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/pr%20banner_%E7%94%BB%E6%9D%BF%201%20%E5%89%AF%E6%9C%AC%203.jpg)

非常开心有机会跟大家做一个分享。今天的主题是图技术+ AI 在金融反欺诈领域的应用，我的分享内容与之呼应——就是 Graph 和 AI 结合金融领域的一些案例以及最近我们在做的一些大语言模型及前沿技术工具，让我们看看每一个场景里这些新技术能给行业带来什么样的变化。

# 如何用图的方式做欺诈检测

随着金融业务线上化的普及，现在许多用户会在金融 APP 客户端上申请信用贷款，然后金融机构的系统里面就会关联到申请人的一些信息，比如联系人电话以及工作公司等。首先给大家展示的就是这个线上借贷场景的图模型，目前比较快速直接的方式是把这个问题以图的形式去表达，然后就可以去做一些基础的图模式匹配。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw1.png)
- 线上借贷场景的图模型

另外一个就是用标签传播（Label Spread）的方法去解决其他问题。比如说，从一个点开始找到符合条件的单子，然后我发现他用到了另一个设备，这个设备是跟另一个单子共享的——这个信息如果能够被金融机构以毫秒级的速度获得的话，不仅可以给领域专家拿来做一些及时的洞察分析，而且可以把它放在线上系统里作为提示风险的一个衡量指标。

![img](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw2.png)

- 通过图查询语句来搜索群控设备

那随之而来就有个问题，如果我们标记的高风险数据量不够的话，怎么能够提高这种特征风控的效果呢？

这里有另一个方法叫「标签传播」（Label Spread）。它其实基本上利用了这个标签传播 Label Propagation 的方法，但这个算法目标有一点变化，我们是想要基于少量标注的有高风险的信息在图上做迭代，类似于标签传播，但我们目的并不是找出社区，而是扩展灰度的标签。这个信息在有时候也是有提示意义的，它可以作为单独的一个参考，给更复杂的风控系统当作一个考量维度。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw3.png)

除此之外的话还有一些利用到「机器学习」的方法，最直接也是比较传统的方法，就是纯利用数据属性去做一些分类的模型，然后去定期地识别高风险的交易。当我们把图属性也考虑进来，比如说下面的 Demo，我们可以把社区聚集的信息也作为图特征（Feature）的一部分，我们分出少量的社区，然后把这个社区的数字用 bitwise 的方式把它作为 feature。

我刚刚点了 Louvain 算法之后就可以很清晰地看到有聚集性的集群，不同社区可以使用不同的颜色去区分，这部分信息是可以作为传统机器学习里边的特征考量进来的，因为它体现了一定情况下这些实体之间潜在的关联远近程度，而这个信息在风险预测领域是非常有用的。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw4.png)

除此之外，比如说我们跑一个比较常见的节点重要度算法—— PageRank 算法，就可以看到这里最重要的就是「设备」 这个点跟很多信息都有关联，通过 PageRank 值能够体现节点被连接的程度，这个量化的值作为图特征也是被证明有效的。

另外还有在机器学习领域比较流行的图神经网络（GNN），它是通过一种表示的形式和方法使得图上邻接的关系，以及它在这个函数迭代的过程，能够充分地用点和其他点相邻的关系以及点上属性给体现出来，所以跟之前只是用图特征这几个维度数字作为输入相比，能更好地把图上点与点之间的关系利用起来。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw5.png)

这个例子我之前也分享过，图左边的 GNN 模型是一个节点的分类模型，目标就是预测图上任意一个点是否有风险的分类；右边就是线上系统最后落地的样子。我们建立好图建模信息之后，根据模型里面标注的提示高风险的点进行训练，模型训练好之后输入任意一个子图，它都可以预测出新的子图上任意一个点的风险值，所以在一些金融风控的线上系统中每发现一个新的交易或者是一个请求过来，我们就把这个信息插到图谱上，这样就可以实时进行欺诈检测。


# **图如何帮助大语言模型的应用落地**

第二部分给大家简单介绍一下图（Graph）和大语言模型（LLM）的结合点。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw6.png)

这张图是讲现在我们在大语言模型引领和赋能下可以怎样实现比较智能的图应用。基本上我把它分为接入层和连接层，当然连接层里边是可以迭代的，每个小部分还可以内嵌一个大语言模型，然后提示给大语言模型，比如说 Cloud 或者是 OpenAI 的 GPT 的某一个版本，它就可以理解你的意图，并且直接回答你的问题，也可以根据你的意图再去调用我们已有的其他服务或者模型。

如果你想要做一些创造性的探索，它就可以帮你调某一个生成模型，比如说你想做某个服务的查询，那像 OpenAI 有 API 或者是你自己用一些方式就可以去访问互联网。有了大语言模型这一层，使得以前比如专门做 NLP 或者翻译等等很多以前看起来很难被智能化又非常昂贵的领域，现在都有了更多的备选方案。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw7.png)

**在这里，图数据库可以做什么**？

首先，我们可以在接入层做一点事情。比如说我们想要在既定的一个大语言模型上做给定领域的知识问答，一个常见的情况就是我们需要额外同步专有的领域知识，但是这个同步是有限制的，不是所有模型都支持，而且有的时候比较昂贵。比如说我们要基于一个 100 兆的 PDF 作为上下文的背景知识来问问题，常见的方式就是把它给分割开来，比如说分成 100 份，然后每份的内容把它总结起来，然后放在 Vector search 里面做一个嵌入。

具体落地来说，比如你问一个问题，他会把这个问题跟你分割的每一个小块的信息在向量空间里做一个距离的搜寻，取出离得最近的比如三块的相关上下文内容，而把这个上下文和你这个问题一起丢给大语言模型——这是现在最直接的一个方法，但是它还是有问题。

首先就是这种方法虽然缓解了上下文过多的问题，但是也会丢失部分你要额外增加的背景知识，而且你缺失了节点与节点之间的关联，是个割裂的知识块。

其次，我们知道大语言模型有时候的回答不是稳定和可重现的，也不是那么专业可信。举个例子，如果我们想要做一个在医院里处理分诊问题的智能问答机器人，这种情况下即使用非常智能的大语言模型，哪怕只有万分之一的可能会给出很奇怪的结果，所带来的负面影响都是不能承受的——因为它会影响人的生命和健康。这种领域的话，传统方法其实是利用专业的知识图谱（Knowledge Graph）基于基本的模式匹配之后给出一个确定的推理。

**这时候就可以用图（Graph） 去解决刚刚提到两个问题**，一个是当我们用 Vector search 去做切分的时候，我们可以利用知识图谱提供全局视野。另一个就是我们在基于某个非结构化的海量上下文做问答的时候，比如说一个很大的网站和文档知识库，同时接入已有的知识图谱话，就可以提供一个相对来说比较高可信度的推理。

![图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw8.png)

这个图就是刚刚我提到的知识嵌入（embedding）部分引入图技术， 另一部分其实大语言模型本身是可以帮助图的，就是我们去设置一个知识图谱的时候，知识的梳理其实有时候是涉及到理解力的，这个时候大语言模型是能够起到帮助作用的，而且有时候能够替代一些以前必须得要领域专家引入的环节，相对来说更加的高效和自动化。

![图形用户界面, 应用程序  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw9.png)

关于前面提到的大语言模型的查询层，实际上这个领域来说，到今天比较先进的方式是有一些人做了一些封装，当然你可以自己直接从头写代码去，中间只要插一个 Vector search 就能做 embedding 的事情。但是有些 dirty work 需要你额外去做，其实大家都做重复的一块。再一个就是有的时候它中间不只是仅仅的去分割然后抽取，其实这是大体的思路，但实际上落地的时候会有很多小的细节的优化途径，所以这个领域其实有一些抽象的中间层的库，比较流行的，比如叫 Langchain 的一个项目。

其次还有个项目叫 LLAMA Index，大家感兴趣的话可以去了解一下，基本上我给 LLAMA 外部知识图谱这个概念，它能够在建立正常的设置参数的过程中，同步地把信息里边的知识总结出来，然后导入到外部的知识图谱中去。

![电脑萤幕画面  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw10.png)

 另外，大语言模型也可以帮助很多系统去掉昂贵的人力投入环节。这里边有几个方面，一个是在知识抽取的过程中，我受到启发很有名的项目叫 GraphGPT。基本上我就告诉大语言模型，你现在要帮我做一个知识解析的过程，就是你要从这一段文字里面解析出主谓宾的知识结构。在这个案例里，我给他了一段关于哈利波特的文字，最后他就帮我返回了一个一段 Json，就描述了这一段话里面的三元组的知识。最后我们把它渲染出来，就是一个关于哈利波特的知识图谱。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/%E5%B1%8F%E5%B9%95%E5%BD%95%E5%88%B62023-05-30%20%E4%B8%8B%E5%8D%884.18.39-32.gif)

这只是一个很小的 demo，但图谱其实表现地也很自然，大家只要做图都会想到用大语言模型建立一个知识图谱，现在跟以前的情况和需要的投入完全不同了。


另外一个大语言模型帮助到图（Graph）的一个例子是是我另一个项目，这个项目写得很早，基本上就是你提供给我图上的 schema 以及你想要做的 query，它就可以帮你实时的去写图数据库的查询。

当然了，未来这些能力都会嵌在我们「悦数图数据库」各种各样的产品里，也是蛮有意思，大家如果感兴趣的话，可以找这个 Demo 玩一下。

![图表, 图示  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw11.png)

最后我想说其实图天然是有可解释性的，举个例子，这个是我的另一篇文章里边的例子，但是这个系统是一个推荐系统。我们知道上个礼拜 OpenAI 有篇文章讲他们怎么利用 GPT-4 去为他们的 GPT-2 模型做模型里的可解释性的分析，还挺酷的，其实利用图的话也可以做一定的努力。

这个例子，其实就是我们一个很黑盒的推荐系统给出的结果，只要有这个结果里面涉及到实体做一个路径查询，我们通过图数据库是可以给出一定的可解释性的，蛮有意思的。

# **悦数图数据库：打造更顺滑高效的 Graph + AI 工具链**

最后一部分给大家介绍 Graph + AI 时代，悦数会打造怎么样的产品以及能提供什么样的方法论。

![电脑萤幕的截图  描述已自动生成](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw12.png)

首先，悦数图数据库是原生分布式的，所以你可以很轻松地实时处理很大的数据集群。因为本质上，悦数图数据库的计算与存储是分离的，它的计算层是无状态的，这使得我们做了很多不同的计算层，其实对于图来说都只是另一个异构的查询或计算层而已，因此它的可扩展性非常好。​

除了内核数据库之外，悦数还提供了自研的图算法工具，我们可以在这上面自己实现或者是跑现有内置的各种图的算法，目前也很受大家欢迎。其中「悦数图分析」是我们推出的一个图算法工具，这个是只有企业版本。它主要的优势是有更高的资源使用率，然后性能也会更好一些。

  ![img](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw13.png)
- 悦数可视化产品中的工作流操作展示

「悦数图分析」还有一个优势就是它能跟我们的可视化的工具有非常好的结合。刚才给大家演示的 Demo 就是在悦数的可视化工具里边实现的。大家可以利用工作流快速去验证一个想法，之后再在数据规模更大的情况下再进一步去做 Benchmark 或验证，最后落地到真实的场景。比如这一步取什么样的数据/怎么取，下一步做什么样的运算，这一步运算的输出和另一个运算输出指向下一个任务后再输出到哪里，这些过程在悦数的工具体系里都可以拖拉拽、零代码地实现。

  ![img](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/sw14.png)
- 基于 AI 工具生成的可视化图数据集

然后，悦数也在做一些跟 AI 以及 GNN 结合的工具类产品。在这里给大家介绍的一个项目叫「AI Suite」，它其实是一个面向 Graph 和 AI 的一个 high level 的 API，它是个 Python 的库，通过几行代码就可以把悦数图数据库上的信息读到这个图里边，然后紧接着像这两行就直接跑了一个 PageRank 算法，然后 AI 工具就可以自动把它画出来。

另外还有跟最流行的两个图神经网络（GNN）的框架之一，亚马逊和纽约大学开源的图深度学习框架 DGL 合作的项目，你可以很容易地把悦数图数据库里面的图给它序列化成 DGL 的对象，然后在此基础之上就可以很容易地做，比如说链路的预测、节点的分析等等。比如说我训练好链路预测的模型之后，取一个点和跟它没有相连的点，然后把数据这个喂给模型就可以做预测，比如某个人有可能想要看哪个电影，也是一个蛮有意思的一个工具。


以上就是我分享的内容，感谢大家的时间，欢迎大家关注我们的公众号和官网，目前悦数图数据库在阿里云上支持 [免费试用](https://market.aliyun.com/isv-nebulagraph?utm_source=dis_nav)，欢迎大家进一步了解，谢谢。

 

 

 

一起来看看 Graph 和 AI 结合金融领域的案例以及悦数图数据库在做的一些大语言模型及前沿技术工具。

图 + AI 在金融行业的应用及技术前瞻｜应用分享

众安科技资产管理平台是全域的元数据中⼼，可以对数据资产进行管理监控，解决企业内部的数据孤岛问题，挖掘数据价值并对业务赋能。