企业官网建设流程全解析

简介：本资源是一套基于Python实现的自动化知识图谱构建源码，面向数据科学初学者、NLP开发者及知识工程实践者，解决从非结构化文本中高效提取实体、关系并生成结构化图谱的核心问题，适用于科研文献分析、行业情报挖掘、智能问答系统等场景。压缩包共26个文件（2.01MB），含9个核心Python脚本（如scrach.py主流程、img2text.py图像转文本、tuple_generator.py三元组抽取）、12个文本数据与配置文件（含train_*.txt训练样本）、2个中文提示模板（chinese.prompt等）、以及LICENSE、.gitignore、readme.txt和PNG示意图等辅助文件，模块划分清晰，便于理解文本预处理→实体识别→关系抽取→图谱生成的完整链路。已有367人学习下载，提供开箱即用的代码框架、可视化需求说明（reuquirements_visual.txt）及详细配置（config.py）与依赖管理（requirements.txt），助读者快速复现自动化构建流程并拓展定制化应用。

1. 为什么用Python做知识图谱，不是“写个脚本就完事”：从原始文本到可查询三元组的闭环落地

你手头有一堆产品说明书、客服对话记录、技术文档PDF或会议纪要——它们散落在不同系统里，没人能说清“这个故障现象到底关联哪些部件、哪些操作步骤、哪些历史案例”。这时候，有人告诉你：“用Python做个知识图谱吧”，你第一反应可能是：又一个PPT级概念？但真实产线上的工程师反馈是：用纯Python链路跑通从PDF解析→实体识别→关系抽取→Neo4j导入→Cypher查询的全流程，比调用现成API更可控、更易调试、更敢改。这不是教科书里的“知识图谱构建”，而是把“文本分析技术”四个字拆成可执行的函数调用、可验证的中间文件、可回溯的错误日志——比如用spaCy识别出“PLC模块”和“温度传感器”后，必须明确告诉模型“它们之间是‘连接’还是‘供电’关系”，而这个判断不能靠玄学，得靠规则模板+依存句法树路径+人工校验样本。本文讲的就是这条链路上每个环节怎么选工具、怎么设阈值、怎么防翻车，尤其聚焦那些官方文档不会写的血泪经验：为什么BERT微调后F1值涨了但实际查不到关键关系？为什么Neo4j导入10万条边后查询变慢十倍？为什么用jieba分词在技术文档里会把“CAN总线”切成“CAN/总/线”？全文不碰任何外部平台链接，所有代码、配置、参数均基于2024年主流稳定版本（Python 3.9+, spaCy 3.7+, Neo4j 5.16+），目标只有一个：让你本地跑起来，且知道每一步为什么这么写。

2. 文本预处理与实体识别：从杂乱文本到结构化节点表的三步清洗法

2.1 PDF/Word文档解析：别再用pdfplumber硬啃扫描件，用PyMuPDF+OCR双通道保精度

多数工业文档是扫描PDF，直接用pdfplumber提取文字会丢失表格结构、公式排版，甚至把“10kΩ”识别成“10kQ”。我一般会先用PyMuPDF（fitz）提取原始页面图像，再对关键区域（如表格、参数列表）调用PaddleOCR进行高精度OCR。注意：不要全页OCR——耗时且噪声大；只对pdfplumber返回的空文本页、或检测到表格框的区域触发OCR。

import fitz from paddleocr import PaddleOCR def extract_text_from_pdf(pdf_path): doc = fitz.open(pdf_path) full_text = [] ocr = PaddleOCR(use_angle_cls=True, lang='ch') # 中文场景必开angle_cls for page_num in range(len(doc)): page = doc[page_num] text = page.get_text("text") # 先尝试原生文本提取 if len(text.strip()) < 50: # 纯图像页或文本极少，触发OCR pix = page.get_pixmap(dpi=200) # 200dpi平衡精度与速度 img_bytes = pix.tobytes("png") ocr_result = ocr.ocr(img_bytes, cls=True) if ocr_result[0]: # OCR有结果才追加 page_text = "\n".join([line[1][0] for line in ocr_result[0]]) full_text.append(f"--- Page {page_num + 1} (OCR) ---\n{page_text}") else: full_text.append(f"--- Page {page_num + 1} (Native) ---\n{text}") return "\n\n".join(full_text) # 调用示例 raw_text = extract_text_from_pdf("manual.pdf")

逻辑说明：fitz.Page.get_text("text")返回的是PDF内嵌文本流，保留换行但丢失格式；pixmap.tobytes("png")将页面转为PNG字节流供OCR输入；ocr.ocr(..., cls=True)启用方向分类器，对倾斜扫描件更鲁棒。
参数说明：dpi=200是实测平衡点——低于150OCR漏字，高于250内存暴涨；lang='ch'必须显式指定，否则中文识别率暴跌；cls=True在工业文档中提升15%以上准确率（实测某PLC手册）。

2.2 基于领域词典的实体识别：spaCy + 自定义术语表，绕过BERT微调的深坑

通用NER模型（如zh_core_web_sm）在“继电器型号：MY4NJ-DC24V”这种字符串上会把“MY4NJ-DC24V”整个识别为ORG，而我们需要它作为DEVICE实体。硬微调BERT成本太高，且小样本下极易过拟合。我的做法是：用spaCy的EntityRuler加载行业术语表，配合正则规则，先覆盖80%高频实体，再用少量标注数据微调en_core_web_sm（英文技术文档）或zh_core_web_sm（中文）的ner组件。

import spacy from spacy.lang.zh import Chinese from spacy.matcher import Matcher # 构建术语表（实际项目中从Excel读取） device_terms = ["MY4NJ-DC24V", "S7-1200", "RS485", "CAN总线", "PID控制器"] fault_terms = ["过载", "短路", "通信超时", "EEPROM写失败"] nlp = Chinese() # 或 en_core_web_sm ruler = nlp.add_pipe("entity_ruler", before="ner") patterns = [] for term in device_terms: patterns.append({"label": "DEVICE", "pattern": [{"LOWER": term.lower()}]}) # 小写匹配 for term in fault_terms: patterns.append({"label": "FAULT", "pattern": [{"LOWER": term.lower()}]}) # 添加正则规则：匹配形如“XX-XXX-XXX”的型号 matcher = Matcher(nlp.vocab) pattern = [{"TEXT": {"REGEX": r"[A-Z]{2,}-[A-Z0-9]{2,}-[A-Z0-9]{2,}"}}] matcher.add("MODEL_NO", [pattern]) ruler.add_patterns(patterns) # 运行识别 doc = nlp("检查MY4NJ-DC24V是否短路，S7-1200的CAN总线通信超时") for ent in doc.ents: print(ent.text, ent.label_) # 输出：MY4NJ-DC24V DEVICE, 短路 FAULT, S7-1200 DEVICE, CAN总线 DEVICE, 通信超时 FAULT

逻辑说明：EntityRuler在spaCy pipeline中位于NER之前，优先匹配术语表；Matcher用于捕获正则模式，避免术语表漏掉变体；LOWER匹配确保大小写不敏感。
参数说明：before="ner"表示ruler在NER组件前运行，防止NER覆盖自定义规则；REGEX模式需严格测试——工业型号常含连字符、数字、字母组合，[A-Z]{2,}比.*更安全；MODEL_NO是自定义标签名，需在后续关系抽取中引用。

2.3 实体标准化：用Levenshtein距离+同义词映射，解决“同一设备多种叫法”

同一设备在不同文档中可能写作“S7-1200 PLC”、“西门子S7-1200”、“PLC_S7_1200”，若不统一，图谱中会生成3个孤立节点。我用rapidfuzz（比fuzzywuzzy快10倍）计算编辑距离，结合预定义同义词映射表，对识别出的DEVICE实体做归一化。

from rapidfuzz import process, fuzz import pandas as pd # 同义词映射表（实际从CSV加载） canonical_map = { "S7-1200": ["S7-1200 PLC", "西门子S7-1200", "PLC_S7_1200", "S71200"], "MY4NJ-DC24V": ["MY4NJ DC24V", "欧姆龙MY4NJ-DC24V", "MY4NJ-24V"], } def normalize_entity(text, entity_type): if entity_type != "DEVICE": return text # 先查同义词表 for canonical, variants in canonical_map.items(): if text in variants or any(fuzz.ratio(text, v) > 85 for v in variants): return canonical # 再用模糊匹配找最接近的标准名 candidates = list(canonical_map.keys()) match = process.extractOne(text, candidates, scorer=fuzz.token_sort_ratio) if match and match[1] > 75: # 相似度阈值75 return match[0] return text # 未匹配则保留原名 # 示例 print(normalize_entity("西门子S7-1200", "DEVICE")) # 输出：S7-1200 print(normalize_entity("MY4NJ DC24V", "DEVICE")) # 输出：MY4NJ-DC24V

逻辑说明：先查精确同义词表（O(1)），再用模糊匹配兜底；token_sort_ratio对词序变化鲁棒（如“DC24V MY4NJ” vs “MY4NJ-DC24V”）；scorer参数决定匹配策略，ratio适合短字符串，token_sort_ratio适合带空格/标点的长名。
参数说明：threshold=75是实测平衡点——低于70误合并（如“S7-1200”和“S7-1500”被混），高于80漏合并（如“MY4NJ-DC24V”和“MY4NJ DC24V”不匹配）；candidates必须是标准名列表，不能包含变体，否则匹配失效。

3. 关系抽取与三元组生成：用依存句法树+规则模板，拒绝盲目依赖LLM

3.1 基于依存句法的关系定位：为什么“PLC控制电机”中“控制”是核心谓词

通用关系抽取模型（如OpenIE）在技术文档中常把“PLC通过RS485接口控制变频器”抽成(PLC, 控制, 变频器)，却丢掉关键约束“通过RS485接口”。spaCy的依存句法树能精准定位主谓宾及介词短语修饰关系——我们提取ROOT（根动词）、nsubj（主语）、dobj（宾语），再向上追溯prep（介词）及其pobj（介词宾语）。

def extract_relations_by_dep(doc): relations = [] for sent in doc.sents: # 找根动词（谓词） root = None for token in sent: if token.dep_ == "ROOT": root = token break if not root or root.pos_ != "VERB": continue # 找主语（nsubj）和宾语（dobj） subj = None obj = None for child in root.children: if child.dep_ == "nsubj" and child.ent_type_ in ["DEVICE", "FAULT"]: subj = child.text elif child.dep_ == "dobj" and child.ent_type_ in ["DEVICE", "FAULT"]: obj = child.text # 找介词短语（如“通过RS485接口”） prep_phrase = "" for child in root.children: if child.dep_ == "prep": pobj = None for grandchild in child.children: if grandchild.dep_ == "pobj" and grandchild.ent_type_ in ["DEVICE"]: pobj = grandchild.text if pobj: prep_phrase = f"{child.text}{pobj}" # 如“通过RS485接口” if subj and obj: rel = { "subject": subj, "predicate": root.lemma_, # 动词原形，如“控制”而非“控制着” "object": obj, "context": prep_phrase } relations.append(rel) return relations # 示例句子 doc = nlp("PLC通过RS485接口控制变频器，当温度超过阈值时触发报警") rels = extract_relations_by_dep(doc) for r in rels: print(f"({r['subject']}, {r['predicate']}, {r['object']}) [{r['context']}]") # 输出：(PLC, 控制, 变频器) [通过RS485接口]

逻辑说明：token.dep_是依存关系标签，nsubj/dobj/prep/pobj是标准依存语法角色；token.lemma_返回动词原形，避免时态干扰；root.children遍历直接子节点，比递归更高效。
参数说明：ent_type_ in ["DEVICE", "FAULT"]过滤非目标实体，防止抽到人名/地名；prep_phrase只取pobj为DEVICE的介词短语，排除“在...时”这类时间状语；root.pos_ == "VERB"排除非动词根节点（如名词作主语的无动词句）。

3.2 规则模板引擎：用正则+依存路径，覆盖“故障-原因-解决方案”三元组

技术文档中大量存在“当X发生时，Y导致Z”的因果句式。我设计了一套轻量级模板引擎：先用正则匹配句式骨架（如“当.?时，.?导致.*?”），再用依存路径验证主谓宾是否落在对应槽位，最后填充实体。

import re # 定义模板（实际项目中存为JSON） templates = [ { "pattern": r"当(.+?)时，(.+?)导致(.+?)", "slots": ["cause", "trigger", "effect"], "dep_check": lambda doc, groups: validate_cause_effect(doc, groups) }, { "pattern": r"(.+?)由(.+?)引起，表现为(.+?)", "slots": ["effect", "cause", "symptom"], "dep_check": lambda doc, groups: validate_cause_effect(doc, groups) } ] def validate_cause_effect(doc, groups): """验证groups中三个实体是否在依存树中构成因果链""" # 简化版：检查groups[0]和groups[1]是否在同一动词的主宾语位置 for sent in doc.sents: for token in sent: if token.pos_ == "VERB" and token.lemma_ in ["导致", "引起", "造成", "引发"]: subj, obj = None, None for child in token.children: if child.dep_ == "nsubj": subj = child.text elif child.dep_ == "dobj": obj = child.text if subj and obj and subj in groups[1] and obj in groups[2]: return True return False def apply_templates(text): relations = [] doc = nlp(text) for tmpl in templates: matches = re.findall(tmpl["pattern"], text) for match in matches: if tmpl["dep_check"](doc, match): rel = {} for i, slot in enumerate(tmpl["slots"]): rel[slot] = match[i].strip() relations.append(rel) return relations # 示例 text = "当PLC通信超时时，RS485接线松动导致变频器无响应" rels = apply_templates(text) print(rels) # [{'cause': 'RS485接线松动', 'trigger': 'PLC通信超时', 'effect': '变频器无响应'}]

逻辑说明：re.findall提取候选三元组，dep_check函数用依存树二次验证，避免正则误匹配；validate_cause_effect检查动词是否为因果动词，且主宾语与匹配组一致。
参数说明：tmpl["pattern"]中的(.+?)是非贪婪匹配，防止跨句；slot名称需与下游图谱schema对齐（如cause/effect）；dep_check是可插拔函数，可替换为更复杂的路径匹配（如nsubj->ROOT->dobj路径）。

3.3 三元组去重与置信度打分：用Jaccard相似度+规则权重，筛掉低质关系

同一关系在不同句子中反复出现（如“PLC控制变频器”出现5次），但其中3次在无关上下文中（如“PLC不控制变频器”）。我用Jaccard相似度计算三元组文本指纹，再按规则赋予权重：出现在标题/加粗文本中+0.3，被多个句子支持+0.2，含介词短语约束+0.1。

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np def deduplicate_triples(triples, threshold=0.85): """基于文本相似度去重，保留最高权重者""" if not triples: return [] # 构建三元组文本指纹 texts = [] weights = [] for t in triples: text = f"{t['subject']} {t['predicate']} {t['object']}" texts.append(text) # 计算权重 w = 0.0 if "context" in t and t["context"]: # 有约束条件 w += 0.1 if t.get("source", "") == "title": # 来自标题 w += 0.3 if t.get("support_count", 0) > 1: # 多句支持 w += 0.2 weights.append(w) # TF-IDF向量化 vectorizer = TfidfVectorizer(analyzer='char_wb', ngram_range=(2,3)) tfidf = vectorizer.fit_transform(texts) sim_matrix = cosine_similarity(tfidf) # 聚类去重 keep = [] visited = set() for i in range(len(triples)): if i in visited: continue cluster = [i] for j in range(i+1, len(triples)): if sim_matrix[i][j] > threshold: cluster.append(j) visited.add(j) # 选权重最高者 best_idx = max(cluster, key=lambda x: weights[x]) keep.append(triples[best_idx]) return keep # 示例 triples = [ {"subject": "PLC", "predicate": "控制", "object": "变频器", "context": "通过RS485"}, {"subject": "PLC", "predicate": "控制", "object": "变频器", "context": ""}, {"subject": "HMI", "predicate": "显示", "object": "温度", "context": "实时"} ] deduped = deduplicate_triples(triples) print(len(deduped)) # 输出：2（前两个合并为一个，第三个保留）

逻辑说明：char_wb字符级n-gram对短文本更鲁棒（避免分词误差）；ngram_range=(2,3)捕获“PLC控”、“控制变”等局部特征；cosine_similarity计算向量相似度，比编辑距离更适合语义近似。
参数说明：threshold=0.85是实测阈值——0.8太松（“PLC控制电机”和“PLC监控电机”被合并），0.9太紧（同义词变体被拆分）；weights设计体现业务逻辑：约束条件越强，关系越可信；support_count需在抽取阶段统计，非本函数计算。

4. 图谱存储与查询优化：Neo4j本地部署的5个性能陷阱与绕过方案

4.1 Neo4j批量导入：用neo4j-admin import替代CREATE，10万节点导入从2小时缩至3分钟

用CypherCREATE逐条插入10万节点+关系，不仅慢，还会因事务日志膨胀导致OOM。必须用neo4j-admin import命令行工具，它绕过事务层，直接写入存储文件，且支持CSV分片并行导入。

# 生成节点CSV（header行必须存在） echo "id:ID,name,:LABEL" > devices.csv echo '"MY4NJ-DC24V","欧姆龙MY4NJ-DC24V","DEVICE"' >> devices.csv echo '"S7-1200","西门子S7-1200","DEVICE"' >> devices.csv # 生成关系CSV echo ":START_ID,:END_ID,:TYPE" > controls.csv echo '"MY4NJ-DC24V","S7-1200","CONTROLS"' >> controls.csv # 执行导入（需停止Neo4j服务） sudo systemctl stop neo4j sudo neo4j-admin import \ --nodes=devices.csv \ --relationships=controls.csv \ --database=knowledge_graph \ --ignore-missing-nodes=true \ --skip-bad-relationships=true \ --report-file=import.log sudo systemctl start neo4j

逻辑说明：--nodes和--relationships指定CSV路径；--database指定目标数据库名；--ignore-missing-nodes=true跳过关系CSV中引用的不存在节点（避免中断）；--skip-bad-relationships=true跳过格式错误的关系行。
参数说明：CSV必须UTF-8编码，无BOM；id:ID中的:ID是Neo4j特殊标记，表示该列为唯一ID；name列无类型标记，存为普通属性；--report-file生成详细日志，便于排查缺失节点。

4.2 Cypher查询加速：给高频查询字段建索引+约束，避免全图扫描

默认Neo4j不建索引，MATCH (d:DEVICE {name: "S7-1200"})会遍历所有DEVICE节点。必须为name、id等查询字段创建索引，并为id设唯一约束（防止重复节点）。

// 创建索引（执行一次即可） CREATE INDEX device_name_index ON :DEVICE(name); CREATE INDEX device_id_index ON :DEVICE(id); // 创建唯一约束（防止重复id） CREATE CONSTRAINT ON (d:DEVICE) ASSERT d.id IS UNIQUE; // 验证索引生效（查询计划应显示"NodeIndexSeek"） EXPLAIN MATCH (d:DEVICE {name: "S7-1200"}) RETURN d;

逻辑说明：CREATE INDEX为属性创建B-tree索引；ASSERT d.id IS UNIQUE强制id唯一性，插入重复id会报错；EXPLAIN显示执行计划，确认是否使用索引。
参数说明：索引名（如device_name_index）可自定义，但需唯一；ON :DEVICE(name)中的name是属性名，非变量；约束名（如device_id_unique）可省略，系统自动生成。

4.3 避免深度遍历爆炸：用shortestPath替代*，限制路径长度

查询“PLC与温度传感器的间接关系”时，MATCH (p:DEVICE)-[*..5]-(t:DEVICE)会尝试所有1~5跳路径，节点数指数增长。改用shortestPath，它用BFS算法找到最短路径，且可设最大跳数。

// 危险：可能遍历数百万路径 MATCH (p:DEVICE {name: "S7-1200"})-[*..5]-(t:DEVICE {name: "PT100"}) RETURN p, t, relationships(p, t) // 安全：只找最短路径，最多3跳 MATCH (p:DEVICE {name: "S7-1200"}), (t:DEVICE {name: "PT100"}) MATCH path = shortestPath((p)-[*..3]-(t)) RETURN nodes(path), relationships(path)

逻辑说明：shortestPath内部使用广度优先搜索，时间复杂度O(V+E)，远优于[*]的指数级；[*..3]中的3是最大跳数，必须显式指定，否则默认无上限。
参数说明：path变量捕获整条路径；nodes(path)返回路径上所有节点；relationships(path)返回所有关系；RETURN子句决定输出内容，避免RETURN *返回过多数据。

5. 避坑指南：这5个问题90%新手栽过，第3个让团队加班三天

5.1 现象：spaCy NER识别出“CAN总线”，但关系抽取时找不到该实体

原因：EntityRuler添加的术语未被NER组件继承，doc.ents只包含NER识别的实体，不包含ruler匹配的实体。
解决：在nlp.pipe()后手动合并ruler结果，或改用nlp.add_pipe("entity_ruler", after="ner")让ruler后置覆盖NER结果。更稳妥的做法是：ruler只做初步识别，再用Matcher在doc.ents基础上扩展。

5.2 现象：Neo4j导入后查询MATCH (n) RETURN count(n)返回0，但CSV文件确认无空行

原因：CSV文件含Windows换行符\r\n，而neo4j-admin import在Linux下只认\n，导致首行被截断，header解析失败。
解决：用dos2unix devices.csv转换换行符，或用Python生成CSV时指定newline=''（csv.writer(f, newline='')）。

5.3 现象：用BERT微调关系分类模型，验证集F1达0.92，但实际文本中关系召回率不足30%

原因：训练数据来自维基百科，而工业文档含大量缩写（如“HMI”）、型号（如“S7-1200”）、专业动词（如“使能”、“复位”），领域漂移严重。
解决：放弃端到端BERT，改用规则+依存句法（见3.1节）；若必须用模型，需用领域语料（如PLC手册）继续预训练BERT，而非直接微调。

5.4 现象：paddleocr识别扫描件，同一页面多次运行结果不同

原因：PaddleOCR默认启用GPU推理，但显存不足时自动降级为CPU，CPU模式随机性更高。
解决：固定use_gpu=False强制CPU模式，或升级显卡驱动+CUDA版本；更根本的是：对关键页面保存OCR结果缓存，避免重复识别。

5.5 现象：neo4j-admin import报错“Failed to create index on :DEVICE(id)”，但约束已存在

原因：索引名冲突，Neo4j不允许同名索引，即使旧索引已删除，元数据残留。
解决：进入Neo4j Browser，运行CALL db.indexes()查看现存索引，用DROP INDEX index_name删除冲突索引；或改用新索引名（如device_id_v2_index）。

6. 进阶技巧：用图算法挖掘隐含知识，让图谱自己“说话”

6.1 社区发现：用Louvain算法识别故障传播簇，比人工梳理快10倍

技术文档中，“通信超时”常与“RS485接线松动”、“终端电阻缺失”、“波特率不匹配”共现，但这些关系未被显式写出。Louvain社区发现算法能基于节点间关系密度自动聚类，把高频共现的故障/部件归为同一传播簇。

from neo4j import GraphDatabase import networkx as nx from community import community_louvain def detect_fault_communities(uri, user, password): driver = GraphDatabase.driver(uri, auth=(user, password)) # 从Neo4j导出故障相关子图 with driver.session() as session: result = session.run(""" MATCH (f:FAULT)-[r]-(n) WHERE n:DEVICE OR n:FAULT RETURN f.name AS fault, n.name AS neighbor, type(r) AS rel_type """) G = nx.Graph() for record in result: G.add_edge(record["fault"], record["neighbor"], relation=record["rel_type"]) # 运行Louvain partition = community_louvain.best_partition(G, resolution=1.0) # 按社区分组输出 communities = {} for node, comm_id in partition.items(): if comm_id not in communities: communities[comm_id] = [] communities[comm_id].append(node) for comm_id, nodes in communities.items(): if len(nodes) > 2: # 只输出大于2节点的社区 print(f"Community {comm_id}: {', '.join(nodes)}") driver.close() # 调用示例 detect_fault_communities("bolt://localhost:7687", "neo4j", "password") # 输出：Community 0: 通信超时, RS485接线松动, 终端电阻缺失 # Community 1: 过载, 散热不良, 风扇故障

逻辑说明：community_louvain.best_partition返回节点到社区ID的映射；resolution=1.0是默认分辨率，值越大社区越细粒度；G.add_edge构建无向图，忽略关系方向（故障传播常双向）。
参数说明：resolution调整社区粒度——0.5产生大社区（如“所有电气故障”），2.0产生小社区（如“仅RS485相关故障”）；len(nodes) > 2过滤噪声社区，避免单节点或两节点偶然共现。

6.2 中心性分析：用PageRank定位关键设备，找出系统单点故障

在“PLC→变频器→电机→传感器”链中，PLC是中心节点，一旦失效，下游全瘫。PageRank算法能自动计算节点重要性，分数越高，越可能是单点故障源。

def find_critical_devices(uri, user, password, top_k=5): driver = GraphDatabase.driver(uri, auth=(user, password)) with driver.session() as session: # 计算PageRank（Neo4j内置算法） result = session.run(""" CALL gds.pageRank.stream('myGraph', { maxIterations: 20, dampingFactor: 0.85 }) YIELD nodeId, score WITH gds.util.asNode(nodeId) AS node, score WHERE node:DEVICE RETURN node.name AS device, score ORDER BY score DESC LIMIT $limit """, limit=top_k) for record in result: print(f"{record['device']}: {record['score']:.4f}") driver.close() # 调用示例 find_critical_devices("bolt://localhost:7687", "neo4j", "password", top_k=3) # 输出：S7-1200: 0.1245 # RS485: 0.0987 # PT100: 0.0821

逻辑说明：gds.pageRank.stream是Neo4j Graph Data Science库的PageRank实现；maxIterations=20是收敛迭代次数，足够工业图谱；dampingFactor=0.85是标准阻尼系数。
参数说明：'myGraph'是预定义的图投影名，需先运行CALL gds.graph.project('myGraph', 'DEVICE', ['CONTROLS', 'MONITORS'])；node:DEVICE过滤只计算设备节点；score值越大越关键，但绝对值无意义，只看相对排序。

6.3 路径推理：用Cypher规则引擎补全隐含关系，比如“PLC控制电机”→“PLC监控电机”

文档中常写“PLC控制变频器”，但未提“PLC监控变频器”，而工程常识是：控制必含监控。用Cypher的apoc.create.relationship结合规则，在导入后批量补全。

// 补全“控制”隐含“监控”关系 MATCH (p:DEVICE)-[r:CONTROLS]->(d:DEVICE) WHERE NOT (p)-[:MONITORS]->(d) CALL apoc.create.relationship(p, 'MONITORS', {}, d) YIELD rel RETURN count(rel) AS added_monitor_relations // 补全“供电”隐含“连接”关系 MATCH (p:DEVICE)-[r:POWERED_BY]->(s:DEVICE) WHERE NOT (p)-[:CONNECTED_TO]->(s) CALL apoc.create.relationship(p, 'CONNECTED_TO', {}, s) YIELD rel RETURN count(rel) AS added_connection_relations

逻辑说明：apoc.create.relationship是APOC插件提供的关系创建函数；WHERE NOT ...确保不重复添加；YIELD rel返回新建关系供统计。
参数说明：apoc插件需提前安装（plugins/apoc-5.16.0.jar）；POWERED_BY和CONNECTED_TO是预定义关系类型；规则应基于领域知识，避免过度推理（如“控制”不必然推出“维修”）。

我坚持在每次图谱

本文还有配套的精品资源，点击获取