知识图谱中的余弦相似度计算

从谷歌最早提出知识图谱的概念后，知识图谱的火爆从美国一路烧到了国内，近几年知识图谱技术在国内已经得到了飞速的发展，我们对知识图谱的概念及应用都不再陌生。大家可以看到知识图谱技术的应用出现在越来越多的垂直领域中。从最早大家最为熟悉的在搜索引擎中的应用，逐渐地扩充到金融领域、医药领域等等。今天我们已经在各行各业中，都能够看到知识图谱的身影，更多的技术人员也加入了我们知识图谱工程的大家庭。

那么今天我们来就知识图谱的技术问题进行更深层的探讨。今天我将和大家分享一个，我在知识图谱搭建中遇到的棘手问题，相信有不少小伙伴也会遇到这样的问题。希望今天我分享的解决方案可以给大家一些帮助！

知识图谱构建的过程中不可回避的问题： 知识图谱也属于需要建立在海量数据之上的一种应用，在构建知识图谱的图关系时，基础数据来自很多不同的数据源。常见的数据源有抓取的公开信息、业务数据、三方数据、用户授权的数据等。

由于数据来源于不同的渠道，而中文又是一门博大精深的语言，同一种意义却又有很多种表达。那么这个棘手的问题就随之而来：我们收集的数据中，有大量的表达方式所表达的是相同的意义。比如：阿里巴巴网络技术有限公司和阿里巴巴集团是同一家公司么？北京市国贸中心写字楼和北京朝阳区建外大街1号国贸中心是同一个地址么？在金融风控领域中，公司的名称、地址是出现频率非常高的词汇，如果按照传统的字符串比对的方式，就会认为以上信息表示的并不是相同的意义，那这样，就会给知识图谱的构建造成很大的麻烦，因为创建了很多无用的实体，并且很多本应该创建的关系，却没有创建出来。

这个时候，需要进行的工作就是实体消歧，也就是说把地址、公司名称等信息经过处理后，变成同一个地址和公司名称，让他们表示同一种意义。只有这样，才能够将实体和关系成功的创建。

解决思路：

将这类容易造成歧义的字符串进行相似度计算，是解决这类问题的一种高效的手段。
那么在知名的图数据库Neo4j中，如何实现相似度以计算如何满足这种应用场景呢，就是我们接下来讨论的主要话题。

我将会采用余弦相似度计算来解决这个问题。大家都知道余弦相似度是n维空间中两个n维向量之间角度的余弦。它是两个向量的点积除以两个向量的长度（或幅度）的乘积。

具体的计算方式可参见下面的公式：

以上公式计算的结果介于-1和1之间，其中-1完全不同，1完全相似。

那么在图数据库Neo4j中如何进行余弦相似度计算呢？下面我会简单说明整个计算过程。不得不说我们非常幸运，Neo4j的插件提供了这样的一个功能，让我们能够简单、直接的在其上实现相似度计算。

首先我们来进行环境安装：
环境的安装其实非常的简单，这里你只需要一个jar包，就可以将其搞定。
下载链接：https://github.com/neo4j-contrib/neo4j-graph-algorithms/releases

下载后，具体的操作步骤如下：
将下载的"graph-algorithms-algo-3.5.0.1.jar"包拷贝到"$NEO4J_HOME/plugins"目录中

这里需要注意的是：要修改Neo4j的配置将
dbms.security.procedures.unrestricted=algo.*
添加到neo4j.conf文件当中，一定要做，要不然后边的试验会失败。然后重启Neo4j数据库就可以了。

插件安装成功后，打开你的Neo4j数据库，在Cypher的输入框中输入 ：

RETURN algo.similarity.cosine([3,8,7,5,2,9], [10,8,6,6,4,5]) AS similarity

这个语句的意思就是调用Neo4j提供的算法计算库中的函数，并且计算[3,8,7,5,2,9]和 [10,8,6,6,4,5]两组数据的余弦相似度，那么返回的结果是（如下图）：

那么其结果已经非常的接近1了。这就是这两个数字列表的余弦相似度值。这个时候你会发现使用Neo4j库中的插件来实现，非常的简单，远比自己开发一个这样的功能要容易的多。

那么下面，我们可以自己来根据公式进行推理一下，以便于进一步掌握这种算法。首先，我们创建一个图关系，将下面的Cypher在输入框中运行，就会创建好一个图关系：

MERGE (french:Cuisine {name:'French'})
MERGE (italian:Cuisine {name:'Italian'})
MERGE (indian:Cuisine {name:'Indian'})
MERGE (lebanese:Cuisine {name:'Lebanese'})
MERGE (portuguese:Cuisine {name:'Portuguese'})
MERGE (zhen:Person {name: "Zhen"})
MERGE (praveena:Person {name: "Praveena"})
MERGE (michael:Person {name: "Michael"})
MERGE (arya:Person {name: "Arya"})
MERGE (karin:Person {name: "Karin"})
MERGE (praveena)-[:LIKES {score: 9}]->(indian)
MERGE (praveena)-[:LIKES {score: 7}]->(portuguese)
MERGE (zhen)-[:LIKES {score: 10}]->(french)
MERGE (zhen)-[:LIKES {score: 6}]->(indian)
MERGE (michael)-[:LIKES {score: 8}]->(french)
MERGE (michael)-[:LIKES {score: 7}]->(italian)
MERGE (michael)-[:LIKES {score: 9}]->(indian)
MERGE (arya)-[:LIKES {score: 10}]->(lebanese)
MERGE (arya)-[:LIKES {score: 10}]->(italian)
MERGE (arya)-[:LIKES {score: 7}]->(portuguese)
MERGE (karin)-[:LIKES {score: 9}]->(lebanese)
MERGE (karin)-[:LIKES {score: 7}]->(italian)

下面我们再用这个数据进行一次计算，输入以下Cypher：

MATCH (p:Person), (c:Cuisine) OPTIONAL MATCH (p)-[likes:LIKES]->(c) WITH {item:id(p), weights: collect(coalesce(likes.score, 0))} as userData WITH collect(userData) as data CALL algo.similarity.cosine.stream(data) YIELD item1, item2, count1, count2, similarity RETURN algo.getNodeById(item1).name AS from, algo.getNodeById(item2).name AS to, similarity ORDER BY similarity DESC

运行后的结果是：

我们从结果中可以看到得分为0.889的是最高分，那么我们可以认为Arya和Karin的食物口味最相似。但结果当中还有很多数据是我们不关心的，因为他们的相似度为0，原因是我数据库中原本有一些数据导致，那么现在我们要把这些数据过滤掉，输入以下Cypher：

MATCH (p:Person), (c:Cuisine)
OPTIONAL MATCH (p)-[likes:LIKES]->(c)
WITH {item:id(p), weights: collect(coalesce(likes.score, 0))} as userData
WITH collect(userData) as data
CALL algo.similarity.cosine.stream(data, {similarityCutoff: 0.0})
YIELD item1, item2, count1, count2, similarity
RETURN algo.getNodeById(item1).name AS from, algo.getNodeById(item2).name AS to, similarity
ORDER BY similarity DESC

运行结果如下：

我们可以看到那些没有相似性的数据已被过滤掉了。如果我们正在实现k-Nearest Neighbors类型查询，我们可能希望k为给定数据找到最相似的数据。我们可以通过传入topK参数来进行条件控制。

使用以下Cypher将返回最相似的数据（即k=1）：

MATCH (p:Person), (c:Cuisine)
OPTIONAL MATCH (p)-[likes:LIKES]->(c)
WITH {item:id(p), weights: collect(coalesce(likes.score, 0))} as userData
WITH collect(userData) as data
CALL algo.similarity.cosine.stream(data, {topK:1, similarityCutoff: 0.0})
YIELD item1, item2, count1, count2, similarity
RETURN algo.getNodeById(item1).name AS from, algo.getNodeById(item2).name AS to, similarity
ORDER BY from

执行结果：

细心的同学会发现，以上的结果有一点问题，第一行的结果和第二行的结果其实是相同的。那么我们现在要做的是为每个用户找到最相似的用户，并存储这些用户之间的关系：

下面在你的Cypher输入框中输入以下Cypher：

MATCH (p:Person), (c:Cuisine)
OPTIONAL MATCH (p)-[likes:LIKES]->(c)
WITH {item:id(p), weights: collect(coalesce(likes.score, 0))} as userData
WITH collect(userData) as data
CALL algo.similarity.cosine(data, {topK: 1, similarityCutoff: 0.1, write:true})
YIELD nodes, similarityPairs, write, writeRelationshipType, writeProperty, min, max, mean, stdDev, p25, p50, p75, p90, p95, p99, p999, p100
RETURN nodes, similarityPairs, write, writeRelationshipType, writeProperty, min, max, mean, p95

执行结果如下：

然后，我们可以写一个查询，以找出与我们相似的其他人可能喜欢的美食类型。
以下Cypher将找到与Praveena最相似的用户

MATCH (p:Person {name: "Praveena"})-[:SIMILAR]->(other),
(other)-[:LIKES]->(cuisine)
WHERE not((p)-[:LIKES]->(cuisine))
RETURN cuisine.name AS cuisine

很幸运，我们已经找到了，下面就是执行结果：

以上就是整个的计算过程。解决相似度计算的思路我们已经有了。 在知识图谱的构建中，还有更多的挑战等着我们。

---

本文转载自"贪心科技AI"公众号
原文链接https://mp.weixin.qq.com/s/wlsVlyRsig3Fisv78pGJug