導(dǎo)讀隨著企業(yè)數(shù)據(jù)復(fù)雜度的指數(shù)級增長，傳統(tǒng) #BI 工具在動態(tài)關(guān)系分析、多模態(tài)數(shù)據(jù)處理及自然語言交互等方面的缺陷日益凸顯。本文提出一種基于#圖數(shù)據(jù)庫（Graph Database）與#大語言模型（LLM）深度融合的新型數(shù)據(jù)分析架構(gòu)，通過引入#語義增強(qiáng)技術(shù)（RDFS/OWL）與動態(tài)關(guān)系建模能力，實現(xiàn)從靜態(tài)報表到智能推理的范式躍遷，為企業(yè)在供應(yīng)鏈優(yōu)化、知識圖譜構(gòu)建等場景提供可落地的解決方案。

文章將從以下幾個方面展開介紹：

1. 選擇圖數(shù)據(jù)而不是關(guān)系型數(shù)據(jù)

2. 關(guān)系型數(shù)據(jù)如何變成圖數(shù)據(jù)

3.LLM 如何從圖中查詢數(shù)據(jù)

分享嘉賓｜趙帥 Altair 數(shù)據(jù)分析高級應(yīng)用工程師

編輯整理｜蘇磊

內(nèi)容校對｜李瑤

出品社區(qū)｜DataFun

01

選擇圖數(shù)據(jù)而不是關(guān)系型數(shù)據(jù)

首先來探討為什么選擇#圖數(shù)據(jù) 而不選擇關(guān)系型數(shù)據(jù)作為底層存儲。

圖數(shù)據(jù)的優(yōu)勢主要在于：

靈活的數(shù)據(jù)模型：圖數(shù)據(jù)在定義表結(jié)構(gòu)時，無需事先定義結(jié)構(gòu)，而是可根據(jù)業(yè)務(wù)需求靈活進(jìn)行節(jié)點和邊的拓展。
擅長處理復(fù)雜的關(guān)系數(shù)據(jù)：在存儲過程中，圖數(shù)據(jù)庫將數(shù)據(jù)看作由節(jié)點和邊組成的圖形結(jié)構(gòu)，便于查詢和理解數(shù)據(jù)。
更高的查詢效率：利用圖遍歷算法，可快速找到節(jié)點和節(jié)點之間的關(guān)系路徑，因此更擅長解決長鏈、復(fù)雜、深度查詢等問題。比如查詢數(shù)據(jù)超過 6 ~ 7 層的表關(guān)聯(lián)情況，關(guān)系型數(shù)據(jù)庫很難應(yīng)對如此復(fù)雜的多層次查詢。
支持非結(jié)構(gòu)化數(shù)據(jù)：圖數(shù)據(jù)庫可以通過圖模型來存儲半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，比如文檔、圖片、視頻等。

基于這些優(yōu)勢，圖數(shù)據(jù)庫能夠更好地與大模型進(jìn)行結(jié)合。接下來將介紹如何在圖數(shù)據(jù)庫中表征關(guān)系型數(shù)據(jù)。

02

關(guān)系型數(shù)據(jù)如何變成圖數(shù)據(jù)

1.圖數(shù)據(jù)的表現(xiàn)形式

RDF（Resource Description Framework），即資源描述框架，是一種描述數(shù)據(jù)文件存儲的數(shù)據(jù)模型，該數(shù)據(jù)模型通常由三個部分組成，稱為三元組。例如，要描述足球運動員羅納爾多的信息，可以用以下 RDF 三元組來表示：

主語（Subject）：Person（指代羅納爾多）

謂語（Predicate）：Chinese Name

賓語（Object）：羅納爾多

類似地，還可以描述他的英文名、出生地、身高、生日等信息。這些三元組共同構(gòu)成了一張知識圖譜，宛如一幅數(shù)據(jù)的星圖，清晰地勾勒出實體之間的關(guān)聯(lián)網(wǎng)絡(luò)。在這張圖中，每個節(jié)點代表一個實體（如“羅納爾多”或“巴西”），每條邊則象征著實體之間的關(guān)系（如“出生于”或“身高”）。通過這種方式，圖數(shù)據(jù)庫不僅記錄了數(shù)據(jù)本身，還捕捉了數(shù)據(jù)之間的深層語義。

然而 RDF 的表達(dá)能力有限，缺乏抽象能力，無法對同一類別的事物進(jìn)行定義和描述。基于此，引入 RDFS。RDFS 為 RDF 提供了一種簡單的模式語言，在RDF的基礎(chǔ)上增加了 schema 的概念，使得我們能夠?qū)嶓w類和屬性類進(jìn)行定義。

rdfs:class 定義實體類，如下圖中的“Person”和“Place”，類似于關(guān)系型數(shù)據(jù)庫中的表。
rdfs:property 定義屬性，例如 Person 的生日、身高等，類似于表中的列。
rdfs:domain 表示該屬性屬于哪個類別，例如 career 屬于 Person 表。
rdfs:range 描述該屬性的取值類型。

RDFS 的表征能力仍然有限，所以在此基礎(chǔ)上進(jìn)一步做了擴(kuò)充，引入了 OWL。OWL（Web Ontology Language）基于 RDS 和 RDFS，在語義表征推理和擴(kuò)展性上都做了提升，能夠更精確地描述知識結(jié)構(gòu)和語義關(guān)系。

例如，在 OWL 中對屬性進(jìn)一步細(xì)化，將一個類的內(nèi)部屬性（如“身高”、“職業(yè)”）定義為 DatatypeProperty，而將類之間的關(guān)系（如“出生地”）定義為 ObjectProperty。

OWL 為復(fù)雜的數(shù)據(jù)建模提供了強(qiáng)大的工具。

2.關(guān)系型數(shù)據(jù)轉(zhuǎn)換為圖數(shù)據(jù)

前面介紹了如何在圖數(shù)據(jù)庫中表征結(jié)構(gòu)化數(shù)據(jù)，接下來將講解如何將關(guān)系型數(shù)據(jù)轉(zhuǎn)換為圖數(shù)據(jù)。這一過程通常包括以下四個步驟：

數(shù)據(jù)建模：需要根據(jù)業(yè)務(wù)需求設(shè)計圖數(shù)據(jù)庫的節(jié)點和邊模型。例如，確定哪些實體需要作為節(jié)點，哪些關(guān)系需要作為邊。這一步驟就像繪制一幅地圖，明確每一座城市（節(jié)點）和道路（邊）的位置與連接方式。
數(shù)據(jù)導(dǎo)出：從關(guān)系型數(shù)據(jù)庫中提取數(shù)據(jù)，并對其進(jìn)行必要的清洗和轉(zhuǎn)換，以確保數(shù)據(jù)質(zhì)量。這一步驟猶如淘金，需去除雜質(zhì)，留下最純凈的寶藏。
格式轉(zhuǎn)換：關(guān)系型數(shù)據(jù)轉(zhuǎn)換成 OWL 格式數(shù)據(jù)（RDF/OWL）。
數(shù)據(jù)導(dǎo)入：將清洗后的數(shù)據(jù)加載到圖數(shù)據(jù)庫中。這一步驟可能需要編寫 ETL 腳本或使用專門的工具，如同將精煉后的黃金鑄造成藝術(shù)品。驗證數(shù)據(jù)加載的正確性，并根據(jù)實際查詢需求對圖數(shù)據(jù)庫進(jìn)行優(yōu)化。

通過以上步驟，便可高效地將傳統(tǒng)關(guān)系型數(shù)據(jù)遷移到圖數(shù)據(jù)庫中，為后續(xù)的大模型查詢和可視化奠定堅實基礎(chǔ)。

3.Altair Graph Studio 數(shù)據(jù)編織平臺

在企業(yè)將關(guān)系型數(shù)據(jù)轉(zhuǎn)換為圖數(shù)據(jù)庫時，通常更傾向于借助成熟的商業(yè)平臺來高效完成這一過程。為此，Altair 推出了 Graph Studio 數(shù)據(jù)編織平臺。該平臺底層采用自研的圖數(shù)據(jù)庫，能夠自動將用戶加載的結(jié)構(gòu)化、非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為圖數(shù)據(jù)格式，無需用戶進(jìn)行編程或依賴其他開源工具。

Graph Studio 的架構(gòu)包含數(shù)據(jù)編織平臺和 Graph LakeHouse 兩大部分。Graph LakeHouse 是 Altair 自主研發(fā)的高性能圖數(shù)據(jù)庫，兼具性能與特色優(yōu)勢，技術(shù)核心聚焦于三大創(chuàng)新點：

MPP（大規(guī)模并行處理）架構(gòu)，從設(shè)計之初便支持高并發(fā)、分布式集群部署。在需要擴(kuò)展至大規(guī)模集群時無需額外付費，充分滿足企業(yè)級需求。
內(nèi)存常駐計算引擎，數(shù)據(jù)可完全駐留在內(nèi)存中。這一特性尤其適合對查詢響應(yīng)速度要求極高的場景，能夠顯著降低延遲，提供卓越的實時計算能力。
對外提供了通用的OLAP 查詢接口。這意味著用戶可以直接將其作為關(guān)系型數(shù)據(jù)庫使用，無縫對接大模型、BI 工具及 AI 軟件等多樣化應(yīng)用。

性能方面，在 200 節(jié)點集群的極限測試中，能夠在 1 小時 45 分完成 1.065 萬億三元組數(shù)據(jù)加載，查詢響應(yīng)時間控制在1.67 至 189.18 秒之間，展現(xiàn)了強(qiáng)大的規(guī)模化處理能力。

基于圖數(shù)據(jù)庫開發(fā)了 Graph Studio 可視化數(shù)據(jù)編織平臺。通過該平臺，用戶可以輕松加載結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，無需編寫代碼即可完成數(shù)據(jù)查詢、轉(zhuǎn)換及向圖數(shù)據(jù)庫的導(dǎo)入操作，讓用戶能夠高效實現(xiàn)從關(guān)系型數(shù)據(jù)到圖數(shù)據(jù)的轉(zhuǎn)換過程。

在 Graph Studio平臺上，數(shù)據(jù)編織分為四個關(guān)鍵步驟：

數(shù)據(jù)加載（On-board）：支持配置慣性數(shù)據(jù)或非結(jié)構(gòu)化數(shù)據(jù)源，平臺能夠自動讀取這些數(shù)據(jù)。
模型構(gòu)建：自動識別關(guān)系數(shù)據(jù)庫中的表字段及表間關(guān)系，并在圖數(shù)據(jù)庫中自動生成對應(yīng)的圖模型，整個過程完全自動化。
數(shù)據(jù)融合：針對多數(shù)據(jù)源場景，支持將不同來源生成的小規(guī)模圖模型融合為全域模型，實現(xiàn)數(shù)據(jù)的統(tǒng)一整合。
數(shù)據(jù)訪問與應(yīng)用：提供多樣化的數(shù)據(jù)訪問方式，包括可視化看板構(gòu)建、OLAP 接口供第三方系統(tǒng)調(diào)用，以及自然語言對話查詢接口，便于與大模型聯(lián)動。

數(shù)據(jù)編織流程如下圖所示，從左到右，讀取不同來源的數(shù)據(jù)，自動生成對應(yīng)數(shù)據(jù)源的圖模型。基于這些獨立的圖模型，我們可以實現(xiàn)數(shù)據(jù)融合。如果分析業(yè)務(wù)需要從整體圖模型中抽取部分?jǐn)?shù)據(jù)進(jìn)行專題分析，提供圖數(shù)據(jù)集市功能。最終，通過通用接口對外暴露，方便您的

AI 系統(tǒng)、BI 工具或大模型對數(shù)據(jù)進(jìn)行訪問與調(diào)用。

下圖展示了上述操作的界面，以下是關(guān)鍵環(huán)節(jié)的簡要說明：

數(shù)據(jù)源定義：用戶可通過界面定義多種數(shù)據(jù)源，包括關(guān)系型數(shù)據(jù)庫（如 MySQL、Oracle）或大數(shù)據(jù)平臺的數(shù)據(jù)。
自動生成圖結(jié)構(gòu)與數(shù)據(jù)加載：系統(tǒng)會自動識別指定 schema 中的表、字段及表間關(guān)系，構(gòu)建圖結(jié)構(gòu)，并將原始數(shù)據(jù)源中的數(shù)據(jù)讀取并加載至該圖結(jié)構(gòu)中。
數(shù)據(jù)融合：若需整合不同來源的數(shù)據(jù)，可在第三步完成。例如，將 MFG 模型與 Tube Order 模型融合，生成新的圖模型，并加載對應(yīng)數(shù)據(jù)。新圖模型生成：基于融合后的數(shù)據(jù)，系統(tǒng)生成新的圖模型并完成數(shù)據(jù)加載。
數(shù)據(jù)訪問：最后一步提供數(shù)據(jù)訪問功能，包括快速構(gòu)建儀表板和通用訪問接口，便于用戶對生成的圖模型進(jìn)行數(shù)據(jù)查詢與分析。

若結(jié)構(gòu)化數(shù)據(jù)本身較為規(guī)范（如來自數(shù)倉），整個流程從數(shù)據(jù)連接到圖模型生成僅需 5 至 10 分鐘即可完成。

數(shù)據(jù)存儲完成后，提供三種訪問方式：第一，通過自帶的 dashboard 工具，在平臺上構(gòu)建可視化看板，進(jìn)行數(shù)據(jù)分析；第二，支持標(biāo)準(zhǔn)的 SPARQL 查詢語言，作為圖數(shù)據(jù)庫的通用查詢語言，可對模型數(shù)據(jù)進(jìn)行查詢；第三，提供標(biāo)準(zhǔn)的 OData 訪問協(xié)議，包括 ODBC 和 JDBC 接口，便于其他軟件（如 BI 或 AI 工具）查詢圖數(shù)據(jù)庫中的數(shù)據(jù)。

03

LLM 如何從圖中查詢數(shù)據(jù)

接下來介紹如何利用大模型，通過自然語言對話的方式，實現(xiàn)對圖數(shù)據(jù)庫中圖數(shù)據(jù)進(jìn)行查詢。

大模型的核心能力在于能夠精準(zhǔn)理解用戶的自然語言提問，并具備上下文記憶功能，從而連貫地處理多輪對話。不僅能理解單一模態(tài)信息，如文本、語音和圖像，還能將不同模態(tài)的信息聯(lián)合起來，比如理解一張圖片中的內(nèi)容并用文字描述它。

1.RAG-檢索增強(qiáng)生成

RAG 技術(shù)已日趨成熟，其核心流程為將非結(jié)構(gòu)化文檔分割為文本塊，通過嵌入模型將其向量化，并存儲至向量數(shù)據(jù)庫。當(dāng)用戶提問時，問題同樣被轉(zhuǎn)化為向量，用于檢索數(shù)據(jù)庫中與之最相似的回答，隨后由大模型對這些回答進(jìn)行總結(jié)并反饋給用戶。

然而，RAG 技術(shù)也存在不足之處，為了增強(qiáng)其性能，GraphRAG 被引入以提升回答能力。但無論是 RAG 還是 GraphRAG，它們主要聚焦于非結(jié)構(gòu)化數(shù)據(jù)（如 Word 文檔、PPT 等），而對結(jié)構(gòu)化數(shù)據(jù)（如表格數(shù)據(jù)）的支持則相對薄弱。

2.Text-To-Query

基于結(jié)構(gòu)化數(shù)據(jù)的問答，主要采用 text to query 的方式。無論是將用戶問題轉(zhuǎn)化為關(guān)系數(shù)據(jù)庫的 SQL 查詢，還是轉(zhuǎn)換為針對知識圖譜或圖數(shù)據(jù)庫的查詢，均屬于這一范疇。在 Altair 的實踐中，選擇了知識圖譜與圖數(shù)據(jù)庫結(jié)合大模型的方式。這種方式能夠高效解決針對關(guān)系型數(shù)據(jù)的問答需求。由于 Text-To-Query 的技術(shù)架構(gòu)特性，查詢結(jié)果具有高度精確性——前提是生成的查詢語句無誤。一旦查詢成功，基于圖數(shù)據(jù)庫的特性，返回的數(shù)據(jù)一定是準(zhǔn)確的。這種機(jī)制在很大程度上緩解了大模型在企業(yè)知識問答或數(shù)據(jù)問答場景中的“幻覺問題”。這也是采用 Text-To-Query 技術(shù)的核心原因。

3.Altair Copilot 如何回答企業(yè)用戶問題

Altair Copilot 通過大模型與知識圖譜結(jié)合，幫助企業(yè)內(nèi)部用戶高效解答問題。其流程分為四個關(guān)鍵步驟：

主體與關(guān)系提取。大模型從用戶提問中解析出核心主體及其潛在關(guān)系。例如，在問題中識別“supplier”（供應(yīng)商）和“distribution center”（分發(fā)中心）等主體，并捕捉它們之間的關(guān)系（如分?jǐn)?shù)大于 0.7、位于某國家等）。此步驟確保問題中的語義信息被精準(zhǔn)拆解。
映射到知識圖譜。大模型將提取的主體與關(guān)系映射至知識圖譜或圖數(shù)據(jù)庫中的實體與關(guān)系。例如，“supplier”可能對應(yīng)圖數(shù)據(jù)庫中的“PRM supplier”，而“l(fā)ocated in”可能映射為“HQ_located_in”。通過這種映射，用戶問題被轉(zhuǎn)化為圖數(shù)據(jù)庫可理解的查詢語言。
生成查詢并獲取結(jié)果。基于映射結(jié)果，大模型生成針對知識圖譜的查詢語句，并將其傳遞給圖數(shù)據(jù)庫執(zhí)行查詢。這一過程確保返回的結(jié)果精確且無誤。
生成答案。大模型基于查詢結(jié)果組織語言，形成自然流暢的回答，直接回應(yīng)用戶的原始問題。

4.ChatBI 優(yōu)勢

與傳統(tǒng) BI 報表相比，Altair ChatBI 展現(xiàn)出以下核心優(yōu)勢：

效率提升：傳統(tǒng)模式下，IT 或 BI 團(tuán)隊需預(yù)先構(gòu)建分析型報表，而 ChatBI 解決方案使業(yè)務(wù)用戶能夠通過自然語言對話直接查詢數(shù)據(jù)并生成可視化結(jié)果，無需預(yù)先構(gòu)建報表，顯著提高了業(yè)務(wù)用戶的操作效率。
應(yīng)用性增強(qiáng)：業(yè)務(wù)用戶無需深入了解業(yè)務(wù)系統(tǒng)或數(shù)倉中的數(shù)據(jù)結(jié)構(gòu)，僅需以自然語言提問即可獲取所需數(shù)據(jù)，極大降低了使用門檻，提升了系統(tǒng)的易用性。
成本節(jié)約：通過減少 IT 人員在預(yù)定義和構(gòu)建BI報表上的工作量，企業(yè)能夠顯著降低相關(guān)人力成本，實現(xiàn)資源的更高效配置。

對 Altair Graph Studio 感興趣請掃碼咨詢，我們會安排專門的工作人員聯(lián)系您。

產(chǎn)品咨詢

以上就是本次分享的內(nèi)容，謝謝大家。

分享嘉賓

INTRODUCTION

趙帥

Altair

數(shù)據(jù)分析高級應(yīng)用工程師

擁有數(shù)據(jù)分析行業(yè)近 15 年的工作經(jīng)驗，對數(shù)據(jù)治理、數(shù)據(jù)算法建模、數(shù)據(jù)分析等有深刻認(rèn)識和豐富經(jīng)驗，擁有服裝零售、商超連鎖、醫(yī)藥零售、石化、電信 BI 等多個行業(yè)大數(shù)據(jù)項目的整體規(guī)劃、方案設(shè)計與落地實施經(jīng)驗。

不知火舞的被虐|伊人天伊人天天综合网|博洛尼亚天气|任你懆这里只有精品4|久久美日韩精品久久|掌中之物漫画免费阅读观看|0丨d老妇