使用Cypher子查询进行图探索 -- 以华为云图引擎GES为例

在图数据库/图计算领域，很多查询可以使用图查询语言Cypher、Gremlin或者指令式API进行表达，如多跳过滤、全局检索以及对过滤后的结果进行聚集排序等操作。然而有些查询不是那么容易表达，常常需要对图中的一组数据去做局部遍历，例如在社交网络（人-人，人-兴趣的关联网络）场景中，常常涉及以下场景：

• 朋友推荐：看看小明的朋友的朋友中，哪些不是小明的朋友，进而推荐给小明。
• 潜在二度人脉分析：选取一组点，每个点代表一个人，在他们朋友的朋友中，统计他们各自有多少不认识的男性朋友和女性朋友。
• 兴趣推荐A：兴趣爱好也是社交网络中的点，看看小明的朋友有哪些兴趣爱好（人-INTEREST-兴趣），从每个朋友的兴趣爱好中选取至多N个兴趣爱好推荐给小明。
• 兴趣推荐B：看小明有哪些朋友还没有录入兴趣爱好，允许小明把自己的兴趣爱好推荐给他们。
  

这些查询往往只关注图中的某个局部，对局部进行多跳查询，且局部上往往有类似下列限制：

• 数量限制：例如兴趣推荐A场景中，限制了每个朋友的兴趣数目，而不是总数目。
• 条件限制：例如朋友推荐场景中，“哪些不是小明的朋友”需要先查询小明和朋友的朋友间有没有边，并将结果作为查询条件输入用来过滤。

在查询语言Cypher中，常常使用子查询来解决这类问题。本文会以华为云图引擎GES为例（图引擎版本>=2.3.6),来介绍如何使用Cypher表达上述场景。

注： 本文同步发布至华为云AI Gallery，文中所有代码皆可以在AI Gallery上运行:【AI Gallery】使用Cypher子查询进行图探索 – 以华为云图引擎GES为例。

阅读前准备

基础知识

阅读前需要了解如下基础知识

• Cypher查询语言的基本结构：
  • 关于Cypher样例语句，可以参考：图引擎服务帮助文档-业务面API-Cypher-基本操作和兼容性
  • 关于Cypher的文法说明，可以参考openCypher 9官方页面。
• Cypher的列表表达式：
  • 华为云图引擎GES支持的列表表达式，可以参考图引擎服务帮助文档-业务面API-Cypher-支持的表达式，函数及过程
  • Neo4j 3.5 Cypher Manual - Lists - List Comprehension
  • 对本文中使用到的列表表达式，提前做下述解释：

下方三个小节会指导如何配置一个GES实例并使用notebook连接GES服务进而做查询演示。如果你只想了解如何编写查询语句，对输入的Cypher查询获取返回结果没有需求，可以直接跳过下方三个小节。

本文使用的数据集

本教程使用LDBC-SF0.1社交数据集中截选的人物关系数据集，数据集可以从此处下载。下载后需要在GES中创建图并导入数据集，详细指导流程可参见华为图引擎文档-快速入门和华为云图引擎服务 GES 实战——创图。

如何调用GES的Cypher API

GES官网帮助文档上有GES Cypher的API，为了方便用户调用，API设计为基于http/https请求，响应体的设计也兼容的neo4j的json格式。这里放置一下链接执行Cypher查询。调用API时需要将Token输入请求头中进行鉴权，有关Token的获取问题请参考业务面API认证鉴权。

本文会使用ges4jupyter工具脚本进行相关查询的演示，该脚本中封装了刚刚提到的鉴权&Cypher查询API，并对结果进行了一些处理，提供了相关可视化的能力。

本文使用的代码包

ges4jupyter是jupyter连接GES服务的工具文件。文件中封装了使用 GES 查询的预置条件，包括配置相关参数和对所调用 API 接口的封装，如果你对这些不感兴趣，可直接运行而不需要了解细节，这对理解后续具体查询没有影响。本文的所有语句请求都会访问一个GES实例并得到实际的响应。

import moxing as mox
mox.file.copy('obs://obs-aigallery-zc/GES/ges4jupyter/beta/ges4jupyter.py', 'ges4jupyter.py')
mox.file.copy('obs://obs-aigallery-zc/GES/ges4jupyter/beta/ges4jupyter.html', 'ges4jupyter.html')

GESConfig的参数都是与调用 GES 服务有关的参数，依次为“公网访问地址”、“项目ID”、“图名”、“终端节点”、“IAM 用户名”、“IAM 用户密码”、“IAM 用户所属账户名”、“所属项目”，其获取方式可参考调用 GES 服务业务面 API 相关参数的获取。这里通过read_csv_config方法从配置文件中读取这些信息。如果没有配置文件，可以根据自己的需要补充下列字段。对于开启了https安全模式的图实例，参数port的值为443。

from ges4jupyter import GESConfig, GES4Jupyter, read_csv_config
eip = ''
project_id = ''
graph_name = ''
iam_url = ''
user_name = ''
password = ''
domain_name = ''
project_name = ''
port = 80
eip, project_id, graph_name, iam_url, user_name, password, domain_name, project_name, port = read_csv_config('cn_north_4_graph.csv')
config = GESConfig(eip, project_id, graph_name, 
                    iam_url = iam_url, 
                    user_name = user_name, 
                    password = password, 
                    domain_name = domain_name,
                    project_name = project_name,
                    port = port)
ges_util = GES4Jupyter(config, True);

首先在GES中创建索引，这有利于后续查询加速。

import time
def wait_job_finish(util, job_id, max_loop):
    job_result = util.get_job(job_id)
    if 'errorCode' not in job_result:
        for i in range(max_loop):
            if job_result['status'] == 'success':
                break
            else:
                time.sleep(1)
                job_result = util.get_job(job_id)
    print(job_result)

job_id = ges_util.build_vertex_index()
wait_job_finish(ges_util, job_id, 100)
job_id = ges_util.build_edge_index()
wait_job_finish(ges_util, job_id, 100)

可以使用下列语句查看schema信息：

import time
body = ges_util.generate_schema_structure()
job_id = body["jobId"]
print('开始构造schema结构:')
wait_job_finish(ges_util, job_id, 100)
print('schema结构构造完成')
cypher_result = ges_util.cypher_query("call db.schema()",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result, candidate_title = ['description', 'name'])

如图是本文使用的数据集的schema，主要包括下列类型的点边：

使用子查询

一般来说，使用Cypher查询朋友的朋友是相对容易的，下列语句演示了如何查询顶点p367朋友的朋友。

match (n)-[:KNOWS]->(a)-[:KNOWS]->(b) where id(n)='p367' return distinct b

然而，使用一般的Cypher语义，从朋友的朋友中移除所有的朋友，表达朋友推荐场景中的“朋友的朋友而非我的朋友”却很困难。文章如何使用GES进行社交关系考据？—GES查询能力介绍中，描述了一种常规的查询语句写法：

match (n)-[:KNOWS]->(a) where id(n)='p367' with n, collect(a) as neighbor
match (n)-[:KNOWS]->(a)-[:KNOWS]->(b) 
where not (b in neighbor)
return b

由于cypher的结果是使用行（Row）组织数据，所有的计算以“行”作为单元进行，如果要进行过滤，只能进行行内过滤。所以上述语句第一步，先通过collect(a)，将“朋友”这个集合组织到了一行里，而后才能将collect(a)作为过滤条件，进行二次查询。

将子查询作为查询条件

在GES 2.3.6版本，实现了子查询能力，支持Neo4j中的SemiApply算子，该算子支持类似于下列语句的运行，使得查询更为简洁：

match (n) where id(n)='p367'
match (n)-[:KNOWS*2..2]->(b)
where not (n)-[:KNOWS]->(b)
return id(b) limit 10

cypher_result = ges_util.cypher_query("""
match (n) where id(n)='p367' 
match (n)-[:KNOWS*2..2]->(b) where not (n)-[:KNOWS]->(b) 
return id(b) limit 10""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result)

注意到这里where条件后面跟从的不是一个一般的条件表达式，不是大于小于这样的比较运算，在条件运算not后跟随了一个图模式（Graph Pattern），整个where条件表示“不存在从顶点n连向顶点b，且label为KNOWS的边”。这样的表达方式使得整条查询语句看起来更为简洁。

也可以使用explain查看其查询计划，可以看到是AntiSemiApply在发挥作用。这里条件查询主要包含两个算子：

• SemiApply： 用于支撑“where (n)-[:KNOWS]->(b)”这样的条件，表示对应的查询模式存在。
• AntiSemiApply：用于支撑“where not (n)-[:KNOWS]->(b)”这样的条件，表示对应的查询模式不存在。

这两个算子对每个左子树生成的结果，都去检查右子树是否会/不会产生满足条件的结果，并将右子树的结果作为过滤条件，辅助左子树的结果过滤。

通过这两个算子，即可实现简单的条件子查询。

cypher_result = ges_util.cypher_query("""explain 
match (n) where id(n)='p367' 
match (n)-[:KNOWS*2..2]->(b) where not (n)-[:KNOWS]->(b) 
return id(b) limit 10""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result)

子查询作为条件，也可以用来描述兴趣推荐B场景：看小明有哪些朋友还没有录入兴趣爱好，允许小明把自己的兴趣爱好推荐给他们。

match (n:Person) where id(n)='p933' 
match (n)-[r]->(m) where not (m)-[:HAS_INTEREST]-() return id(m)

将子查询作为中间结果

此外，还可以将子查询作为中间结果，朋友推荐场景下，cypher语句还可以这么写：

match (n) where id(n)='p367' 
with [(n)-[:KNOWS*2..2]->(b)|id(b)] as hop2,  [(n)-[:KNOWS]->(b)|id(b)] as hop1
return [x in hop2 where not x in hop1|x] limit 10

在这条查询语句中，Graph Pattern出现在了with子句中，用于收集某个点的多跳结果。

另外采用类似的写法还可以筛选三度好友中“我不认识的人”的数目，示例如下：

match (n) where id(n)='p367' 
with [(n)-[:KNOWS*3..3]->(b)|id(b)] as hop3,  [(n)-[:KNOWS*1..2]->(b)|id(b)] as hop2
return size([x in hop3 where not x in hop2|x])

cypher_result = ges_util.cypher_query("""
match (n) where id(n)='p367' 
with [(n)-[:KNOWS*3..3]->(b)|id(b)] as hop3,  [(n)-[:KNOWS*1..2]->(b)|id(b)] as hop2 
return size([x in hop3 where not x in hop2|x])""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result, boxHeight=200)

同时这种子查询后续步骤也可以跟随一些过滤条件，进行各类统计操作，如上述提到的潜在二度人脉分析：

match (n:Person) where id(n) in ['p367','p13194139534836','p932','p4398046512206','p6597069767359'] 
with n, [(n)-[:KNOWS*2..2]->(m) where not (n)-->(m)|m] as recSet
return id(n) as key, 
    size([x in recSet where x.gender='male']) as maleNumber,
    size([x in recSet where x.gender='female']) as femaleNumber

cypher_result = ges_util.cypher_query("""
match (n:Person) where id(n) in ['p367','p13194139534836','p932','p4398046512206','p6597069767359'] 
with n, [(n)-[:KNOWS*2..2]->(m) where not (n)-->(m)|m] as recSet 
return id(n), size([x in recSet where x.gender='male']),size([x in recSet where x.gender='female'])
""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result, boxHeight=200)

下列元素出现在with子句中，描述了一个子查询：

[(n)-[:KNOWS*2..2]->(m) where some-condition|m] as recSet

这里会对每个遍历到的n，都进行二跳查询， 取二跳查询的末端节点m，然后组装成一个列表。

注意到where条件中，使用了刚刚提到的条件子查询：

where not (n)-->(m)

这里条件使用where条件，对子查询的结果进行了过滤，且过滤时，是将一个Graph Pattern作为的过滤条件，最后使用竖线进行投影。

在return子句中，使用了Cypher中List Comprehension的语法，进行列表过滤,并获取大小：

return id(n) as key, 
    size([x in recSet where x.gender='male']) as maleNumber,
    size([x in recSet where x.gender='female']) as femaleNumber

支撑子查询结果作为中间结果的，是RollUpApply算子，可以通过explain看到其在查询计划中发挥价值：

cypher_result = ges_util.cypher_query("""explain 
match (n:Person) where id(n) in ['p367','p13194139534836','p932','p4398046512206','p6597069767359'] 
return n, [(n)-[:KNOWS*2..2]->(m) where not (n)-->(m)|m] as recSet""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result, boxHeight=200)

对每个左子树生成的结果（这里是(n:Person)）都会作为变量输入，并执行右子树，选取右子树结果的值打包为list返回。

此外还可以限制子查询的数目，对查询进行PerNodeLimit（单点跳出限制：每个点每层只能向外跳出限定个数的顶点）。

例如兴趣推荐A场景中，看看小明的朋友有哪些兴趣爱好（人-INTEREST-兴趣），从每个朋友的兴趣爱好中选取至多N个兴趣爱好推荐给小明。

match (n:Person) where id(n)='p367' 
match (n)-[r]->(m) 
return [(m)-[:HAS_INTEREST]-(a)|a][0..3]

为了可视化演示效果，可视化时同步打印了“朋友”和“INTEREST”边。

同样的，也可以使用RollUpApply+Limit对每跳做PerNodeLimit，例如统计和小明的朋友有共同兴趣爱好的朋友，每个顶点每跳最多找3个点,最后一跳每个点最多找1个点：

match (n:Person) where id(n)='p367' 
match (n)-[r]->(m) with m limit 3 
with m,[(m)<-[r1:HAS_INTEREST]-(a)|a][0..3] as interests 
unwind interests as interest 
with interest, [(interest)-[r1:HAS_INTEREST]->(a) where not (a)--(m)|[r1,a]][0..1] as soulMate
return *

其他子查询

使用with也可以实现其他子查询任务，例如上一跳的查询结果经过limit限制后输入下一跳，成为查询条件：

match (n:Person) where id(n) in ['p367','p13194139534836','p932','p4398046512206','p6597069767359'] 
with n limit 10
match (m:Person{lastName:n.lastName}) return n.lastName, m.firstName

使用explain也可以看到其查询计划：

cypher_result = ges_util.cypher_query("""explain 
match (n:Person) where id(n) in ['p367','p13194139534836','p932','p4398046512206','p6597069767359'] 
with n limit 10
match (m:Person{lastName:n.lastName}) return n.lastName, m.firstName""",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result)

由于不同的n，其n.lastName的值是不固定的，所以需要针对每个n，去做match (m:Person{lastName:n.lastName})这样的查询，因此需要使用Apply子查询算子支撑这样的语句。

总结

借助子查询进行局部遍历是图查询中的常用操作，将子查询作为过滤条件或者中间结果辅助查询，可以满足某些业务场景下对查询局部有限制的诉求，
如文中提到的社交网络分析，再如股权关系中穿透层数分析、装备制造和配置管理（IT设备管理）领域依赖识别和变更影响分析等。

此外，由于Cypher以行的形式组织数据，某些情况下使用子查询可以节省中间结果产生，加速Cypher查询的执行。
当然，使用更高效的API（如GES产品中有多跳过滤API)或者使用非行存的查询执行引擎也是可选的解决方案。