Neo4j 关系类型细分＋权重标注迁移方案
迁移策略总览
Neo4j 的好消息是：不需要真正「迁移」，可以在原图上直接演进。
1. 关系类型重命名/细分 → APOC 批量操作
2. 新增权重属性 → SET 属性更新
3. 建立标注工作流 → LLM + Cypher 半自动化
第一步：先摸清现有结构
// 查看所有现有关系类型及数量
CALL db.relationshipTypes() YIELD relationshipType
RETURN relationshipType;
// 更详细：每种关系类型的数量
MATCH ()-[r]->()
RETURN type(r) AS relType, count(r) AS count
ORDER BY count DESC;
// 查看某类关系的样本
MATCH (a)-[r:你的关系类型]->(b)
RETURN a.name, type(r), b.name
LIMIT 20;
把结果贴给我，我可以帮你做具体的映射方案。
第二步：安装 APOC（关键工具）
Neo4j 原生不能直接重命名关系类型，必须用 APOC：
# 确认 APOC 已安装
CALL apoc.help(“refactor”)
如果没有，在 neo4j.conf 加入：
dbms.security.procedures.
第三步：关系类型细分（核心迁移）
方法：复制新关系 → 删除旧关系
// 示例：把旧的 :RELATED_TO 按条件拆分为细分类型
// 先处理「定义关系」
MATCH (a)-[r:RELATED_TO]->(b)
WHERE r.description CONTAINS ‘定义’ OR r.description CONTAINS ‘defines’
CALL apoc.refactor.setType(r, ‘DEFINES_AS’)
YIELD input, output
RETURN count(*);
// 处理「发展关系」
MATCH (a)-[r:RELATED_TO]->(b)
WHERE r.description CONTAINS ‘发展’ OR r.description CONTAINS ‘演变’
CALL apoc.refactor.setType(r, ‘DEVELOPS_FROM’)
YIELD input, output
RETURN count(*);
如果没有description属性，用节点类型判断
// 例：Scripture节点之间的关系改为 ANCHORED_IN
MATCH (a:Concept)-[r:RELATED_TO]->(
CALL apoc.refactor.setType(r, ‘ANCHORED_IN_L1’)
YIELD input, output
RETURN count(*);
第四步：批量加权重属性
关系类型确定后，加三维权重属性：
// 第一轮：给所有关系加默认权重（待人工/LLM覆盖）
MATCH ()-[r]->()
WHERE r.certainty IS NULL
SET r.certainty = 0.5,
r.centrality = 0.5,
r.evidence = 0.5,
r.annotated = false,
r.annotator = ‘pending’
RETURN count(r);
// 计算综合分数
MATCH ()-[r]->()
SET r.composite_score =
(r.certainty * 0.4 + r.centrality * 0.3 + r.evidence * 0.3)
RETURN count(r);
第五步：LLM 半自动标注流程
这是最关键的效率杠杆：
Python 脚本框架
from neo4j import GraphDatabase
import anthropic
import json
driver = GraphDatabase.driver(“bolt://
auth=(“neo4j”, “password”))
client = anthropic.Anthropic()
def annotate_batch(batch_size=50):
# 1. 取出未标注的关系
with driver.session() as session:
result = session.run(“””
MATCH (a)-[r]->(b)
WHERE r.annotated = false
RETURN id(r) as rid,
a.name as source,
type(r) as rel_type,
b.name as target,
r.description as desc
LIMIT $batch_size
“””, batch_size=batch_size)
edges = [dict(record) for record in result]
# 2. 发给 Claude 标注
for edge in edges:
prompt = f”””
你是倪柝声-李常受神学专家。请分析以下知识图谱关系：
节点A：{edge[‘source’]}
关系类型：{edge[‘rel_type’]}
节点B：{edge[‘target’]}
现有描述：{edge.get(‘desc’, ‘无’)}
请返回JSON（只返回JSON，不要其他文字）：
{{
“certainty”: 0.0-1.0,
“centrality”: 0.0-1.0,
“evidence”: 0.0-1.0,
“suggested_type”: “从[DEFINES_AS/PRESUPPOSES/
“reason”: “一句话说明”
}}
“””
response = client.messages.create(
model=”claude-sonnet-4-
max_tokens=300,
messages=[{“role”: “user”, “content”: prompt}]
)
annotation = json.loads(response.content[0]
# 3. 写回 Neo4j
with driver.session() as session:
session.run(“””
MATCH ()-[r]->()
WHERE id(r) = $rid
SET r.certainty = $certainty,
r.centrality = $centrality,
r.evidence = $evidence,
r.composite_score = ($certainty*0.4 + $centrality*0.3 + $evidence*0.3),
r.llm_suggested_type = $suggested_type,
r.annotator = ‘llm-claude’,
r.annotated = true
“””, rid=edge[‘rid’], **annotation)
annotate_batch(50)
第六步：人工审核界面（可选）
高价值节点需要人工复核，建议用简单查询筛出来：
// 找出需要人工审核的关系（低确定性 或 核心节点）
MATCH (a)-[r]->(b)
WHERE r.certainty < 0.4
OR a.name IN [‘经纶’, ‘三一神’, ‘召会’, ‘灵’, ‘生命’]
RETURN a.name, type(r), b.name,
r.certainty, r.llm_suggested_type, r.reason
ORDER BY r.certainty ASC
LIMIT 100;
// 人工确认后标记
MATCH ()-[r]->()
WHERE id(r) = 12345
SET r.annotator = ‘human-verified’,
r.certainty = 0.95
迁移时间估算
|阶段 |工作 |时间 |
|——–|———–|——–
|结构普查 |运行统计查询 |半天 |
|类型映射设计 |制定旧→新类型对照表 |1-2天 |
|APOC批量迁移|执行关系重命名 |1天 |
|默认权重注入 |全库SET操作 |数小时 |
|LLM批量标注 |4万条 × 约0.5秒|约6小时机器时间|
|人工核心审核 |前200高度数节点 |1-2周 |
最关键的第一个动作
先跑这个查询，把结果给我看：
MATCH ()-[r]->()
RETURN type(r) AS relType, count(r) AS count
ORDER BY count DESC
LIMIT 30;
知道你们现有的关系类型名称，才能制定精确的映射方案，
