Advanced Search

数据分析与知识发现, 2019, 3(10): 37-46 doi: 10.11925/infotech.2096-3467.2019.0252

研究论文

一种适合多元异构图数据管理系统的交互分析框架 *

赵子豪1,2, 沈志宏,,1

1中国科学院计算机网络信息中心 北京 100190

2中国科学院大学 北京 100049

An Interactive Analysis Framework for Multivariate Heterogeneous Graph Data Management System

Zhao Zihao1,2, Shen Zhihong,,1

1Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China

2University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 沈志宏, ORCID: 0000-0002-0113-0478, E-mail:bluejoe@cnic.cn

收稿日期: 2019-03-5   修回日期: 2019-04-16   网络出版日期: 2019-10-25

基金资助: *本文系国家重点研发计划项目“科学大数据管理系统”.  2016YFB1000605
中国烟草总公司科技重大专项项目“烟草科研数据融合与关联挖掘关键技术研究”的研究成果之一.  110201801019(SJ-01)

Received: 2019-03-5   Revised: 2019-04-16   Online: 2019-10-25

摘要

【目的】提出一套交互分析框架, 以屏蔽多元图数据模型、管理系统、查询接口协议的差异性, 提供面向图数据的在线交互分析服务。【方法】对图数据管理系统的服务接口和前端分析需求进行抽象, 设计形成开放可扩展的交互协议和总体框架, 并实现数据适配、交互分析应用等软件模块。【结果】该框架有效屏蔽了Neo4j、Jena等系统的异构性, 并满足图数据浏览、探索以及路径发现等交互分析需求, 为图数据的相关应用提供了良好的基础。【局限】需要针对大规模数据进行优化和完善。【结论】本框架可有效实现图数据管理系统与分析应用的接口解耦, 具有较大的应用价值。

关键词: 图数据 ; 交互分析 ; 分析框架

Abstract

[Objective] An open and scalable interactive analysis framework is proposed to shield the differences between multivariate graph data models, management systems, interfaces and protocols, and supply the online interactive analyzing service faced with graph data. [Methods] By abstracting the multi-analysis requirements and heterogeneous service interfaces, an open, scalable and interactive protocol is designed. Based on the protocol, an interactive framework is designed to implement the interactive module. [Results] This interactive analysis framework is well abstracted, shields the heterogeneity of graph management systems like Neo4j and Jena effectively, and provides a good foundation for front-end applications. [Limitations] Need to be optimized and adjusted on large-scale data. [Conclusions] The interactive analysis framework of heterogeneous knowledge graph has practical significance and deserves promotion.

Keywords: Graph Data ; Interactive Analysis ; Interactive Framework

PDF (1861KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

赵子豪, 沈志宏. 一种适合多元异构图数据管理系统的交互分析框架 *. 数据分析与知识发现[J], 2019, 3(10): 37-46 doi:10.11925/infotech.2096-3467.2019.0252

Zhao Zihao. An Interactive Analysis Framework for Multivariate Heterogeneous Graph Data Management System. Data Analysis and Knowledge Discovery[J], 2019, 3(10): 37-46 doi:10.11925/infotech.2096-3467.2019.0252

1 引 言

图数据模型具有对实体关系的表达能力强、属性及结构可扩展性好、关联查询高效等优势。在对海量的多元异构信息进行建模时, 图数据模型较关系模型、键值模型、文档模型等而言具有更好的直观效果, 更有利于使用者对数据结构和语义关系的理解。此外, 图数据模型还具有可推理、可深度挖掘的特点, 因此在智能问答、金融风险预测等方面也得到较为广泛的应用。

图数据的管理、处理以及分析等技术发展已久, 随着应用的不断深化和图数据生态的不断繁荣, 图数据模型及图数据管理系统逐渐呈现出显著的多样性[1]。这种不同数据管理系统间的多元异构特征直接造成了现行的图数据分析和服务工具的差异性, 从而导致这类工具系统及其上层应用系统缺乏通用性。以图的可视化分析为例, 目前主流分析工具往往局限于特定的图数据管理系统、数据格式以及协议, 可移植性和推广泛化能力不足, 缺少一套适用于多种图数据管理系统(如Neo4j, Jena, Titan等)的通用可视化分析工具。

为屏蔽不同图数据管理系统、数据模型和协议之间的差异, 简化图数据交互分析操作的复杂度并提高上层服务应用的通用性, 本文在分析现有图数据存储管理系统、查询协议和可视化分析工具的基础上, 提出一种适合多元异构图数据管理系统的交互分析框架。

2 相关研究

图数据技术的研究涉及存储与管理、查询与检索、计算与分析等方面。随着图数据研究热度的持续增高, 相关工具的种类越来越多, 功能越来越丰富。本文从图数据模型、图数据查询语言、图数据管理系统、图数据可视化分析工具等方面对现有技术系统及其差异性进行调研。

2.1 图数据管理系统及查询协议

属性图[2]是一种常用的图数据模型, 通过节点和关系表达实体及其之间的关系。图数据模型的另外一个重要分支是资源描述框架(Resource Description Framework, RDF)语义数据描述模型[3]。属性图和RDF两种模型所采用的存储结构有所区别, 属性图采用“顶点+边+属性”的方式进行存储, RDF则采 用“主语-谓语-宾语”三元组的方式存储属性和链 接[4]

目前已存在很多图数据管理系统。基于属性图模型的管理系统如Neo4j[5]、Titan[6]、Cosmos DB[7]、InfiniteGraph[8]等; 基于RDF数据模型的管理系统如Jena[9]、Virtuoso[10]、AllegroGraph[11]等; 另有多模型的图数据管理系统, 如Amazon的Neptune[12], 在初始化时可以选择属性图和RDF中的一种。

不同的图数据管理系统支持的查询语言协议存在较大的差异性。与关系型数据库具有统一的SQL查询语言不同, 图数据查询语言门类很多。如: Liu等提出了一门用于复杂图的查询语言[13]。GraphQL[14]是一种基于形式化语法构建和操作图结构的查询语言, 可以使用简单图组合的形式描述复杂图模式。函数式数据流语言Gremlin[15]面向路径, 对传统图查询语言进行扩展, 在多种图数据库和分析引擎上得到了支持。Cypher[16]是一种声明型语言, 其设计思想是用简单的语句描述图中的模式, 用模式匹配的方法在数据库中查询匹配的数据。Oracle提出的PGQL[17]语法与SQL相似, 支持图模式匹配查询、规则路径查询。在RDF数据查询方面, 经历了TRIPLE[18]、RQL[19]、SeRQL[20]等语言之后, W3C发布了SPARQL[21]查询语言, 并将其作为推荐的RDF标准查询语言。

笔者对主流图数据查询语言及图数据管理系统 对语言协议和数据模型的支持情况做分析对比, 如表1表2所示。

表1   主流图数据查询语言及适用模型总结

查询语言适用模型特性对比
TRIPLERDF模型仅支持简单图模式的查询, 学习成本高。
RQLRDF模型引入聚合操作, 与SQL语法较为相似, 学习成本稍高。
SeRQLRDF模型与SPARQL标准较为接近, 学习成本低。
SPARQLRDF模型被W3C推荐为标准, 语法与SQL相似, 学习成本低。
GraphQL属性图模型API型查询语言, 灵活性好, 但是学习成本较高。
Gremlin属性图模型图灵完备, 类似于编程语言, 较灵活, 但学习成本高; 主要用于遍历。
Cypher属性图模型语法与SQL相似, 比较成熟, 学习成本低。
PGQL属性图模型语法与SQL相似, 学习成本较低, 但目前使用者不多。

新窗口打开| 下载CSV


表2   图数据管理系统支持语言对比

图数据管理系统数据模型支持查询语言特性对比
Neo4j属性图模型Cypher, Gremlin很成熟, 生态良好, 但不支持数据分片。
Titan属性图模型Gremlin可挂接HBase等存储后端, 支持数据分片。
InfiniteGraph属性图模型Gremlin支持数据分片, 免费版只支持100万节点。
Cosmos DB属性图模型Gremlin基于云平台, 支持数据分片, 但不开源。
AllegroGraphRDF模型SPARQL支持数据分片, 免费版支持5 000万三元组。
JenaRDF模型SPARQL完全开源, 比较成熟, 开发使用便捷。
VirtuosoRDF模型SPARQL基于关系表实现RDF管理, 在大规模数据下性能不足。
Neptune属性图/RDFGremlin/SPARQL基于云平台, 支持数据分片, 但不开源。

新窗口打开| 下载CSV


2.2 图数据可视化分析工具

Palmer等证明, 图比其他可视化展示形式更适合探索数据的内部关系[22], 图的可视化分析包括图数据的基本统计、检索与映射、关系发现、结果展示等任务, 现有的可视化分析工具在支持的数据源、使用的接口等方面存在差异。

RelFinder[23]可以实现实体间关系的交互式发现, 可以将任何支持SPARQL的RDF数据集作为数据源。开源的可视化分析工具Gephi[24]支持以GDF、GraphML、GML、NET、GEXF等格式文件为数据源导入数据, 并支持多种统计功能以分析数据。

Bloom[25]、WebVOWL[26]、PGV(Paged Graph Visualization)[27]等可视化工具提供了可交互的图数据展示功能。Bloom是Neo4j提供的交互式图数据可视化工具。WebVOWL用于RDF数据的可视化, 可以对5MB以内的RDF文件进行绘制。Sayers提出的以节点为中心的RDF图可视化工具(Node-centric RDF Graph Visualization)[28]以树的形式展示RDF数据, 但只能显示某个节点的两层祖先和孩子节点, 对于大度节点的支持效果十分有限。PGV支持大度节点的展示, 将大度节点的邻居节点显示在其周围, 形成一个环。PGV不显示全部图数据, 当用户在同一个方向上探索图时, 视图的可读性会变差。

此外, 还有一些JavaScript库, 如Vis.js[29]和Alchemy.js[30], 基于浏览器为图数据分析提供了基础的可视化功能。

针对上述图数据可视化和分析工具, 在其支持的数据源和分析能力、灵活性等方面进行总结, 结果如表3所示。

表3   图数据可视化和分析工具对比

图谱可视化分析系统支持数据源特性对比
RelFinder支持SPARQL的RDF数据集有一定分析能力, 但仅支持RDF数据的可视化。
GephiCSV、GML等文件格式分析能力较强, 与主流数据管理系统融合不够。
BloomNeo4jNeo4j提供的可视化工具, 需要与Cypher语言结合实现分析功能。
Vis.jsGephi/DOT语言JavaScript库, 部署方便; 无法显示大规模的图数据, 图分析功能不足。
Alchemy.jsJSONJavaScript库, 部署方便, 仅提供节点和边的可视化。
Node-centric RDF Graph
Visualization
RDF仅支持RDF数据, 对大度节点显示效果不好。
PGVRDF仅支持RDF数据, 环状显示节点, 分析功能不足。
WebVOWLRDF仅支持5MB以内的RDF数据文件。

新窗口打开| 下载CSV


通用协议作用示意图如图1所示。现有的图数据可视化分析工具与底层的图数据管理系统及其服务接口存在较强的耦合性(如图1(a)所示), 尚缺少对Neo4j、Titan、Jena等异构系统的统一支持, 同时它们在交互分析的效果上也存在一些局限。基于此, 本文设计一套开放可扩展的通用图数据交互协议InteractiveGraphProtocol(简称IGP), 并基于该协议设计软件框架InteractiveGraph, 屏蔽可视化分析工具底层数据管理系统及数据结构上的差异, 其原理如图1(b)所示。

图1

图1   通用协议作用示意图


3 交互协议与框架设计

交互分析框架InteractiveGraph的核心概念是交互协议IGP, InteractiveGraph框架将前端的可视化需求转换为IGP的数据请求(Request), 在数据服务端通过软件模块将请求转义为对应图数据管理系统的图查询语句或者服务调用, 并将查询的结果封装为IGP的数据响应(Response), 从而实现对不同图数据管理系统 在查询语言、数据模型、服务结构等方面差异的屏蔽, 增强交互分析应用的可扩展性和灵活性, 结构如图 2所示。

图2

图2   InteractiveGraph结构示意图


3.1 图谱在线分析交互协议InteractiveGraphProtocol

IGP协议用于定义图谱分析应用和数据服务端之间的交互协议和数据格式。它定义了连接类、浏览类、探索类、实体匹配类、路径查询类等5类接口, 这5类接口的功能及输入输出等详细信息如表4所示。

表4   接口类别、功能及输入输出信息

接口类别接口名称功能描述输入输出
1 连接类1.1 Connect连接当前数据源并初始化当前数据源的元数据(规模、社区等)
2浏览类2.1 LoadGraph加载当前图的信息当前位置图中全部顶点和边
2.2 GetCommunityData加载挖掘社区的信息社区的轮廓及包含的顶点
2.3 GetNodesInfo获取节点的描述信息节点id节点描述信息
2.4 GetNodeCategories获取节点的类别(label)类别及其描述
3探索类3.1 GetNeighbours获取节点邻边及邻居节点节点id节点邻边及邻居节点
4实体匹配类4.1 FilterNodesByCategory根据节点类别过滤节点集节点id数组、指定类别获取节点数组中属于指定类别的节点
4.2 Search以关键词和限制数为条件搜索节点关键词、限制数指定字段中包含关键词的节点, 输出节点数不超过限制数
5路径查询类5.1 FindRelations在起止节点之间查找不超过最大深度的路径起止节点id、最大深度查询任务id
5.2 GetMoreRelations从路径查询任务的缓冲中取出更多结果查询任务id查询得到的路径
5.3 StopFindRelations停止查询任务查询任务id查询任务id及状态

新窗口打开| 下载CSV


以路径查询类为例, 路径查询类接口共有三个, 分别是查找路径的接口FindRelations, 获取路径的接口GetMoreRelations, 停止查询任务的接口StopFindRelations。

(1) FindRelations传递的参数是起始节点id、终止节点id和最大路径深度。最大路径深度指从起始节点到终止节点的跳数, 若两个节点直接邻接, 则跳数为1。FindRelations的功能是在服务端启动一个路径查询的任务, 并返回该查询任务的任务id, 用于后续定位查询任务。

(2) GetMoreRelations接口传递的参数是查询任务的id, 它的功能是从服务端获取查询任务的相关信息, 包括一个查询任务是否完成的标志位, 以及查询得到的起止节点之间符合要求的路径。

(3) StopFindRelations传递的参数是查询任务的id, 它的功能是通知服务端停止该id所代表的查询任务, 并返回任务id及一个表示任务是否停止的标志位。当可视化应用需要查询某两个节点之间的路径关系时, 先通过查找路径接口在服务端开启查询任务并获取任务id, 然后通过获取路径接口, 按任务id从服务端获取该查询任务得到的路径, 最终通过停止查询任务接口停止服务端的查询任务。路径查询类接口的工作流程如图3所示。

图3

图3   路径查询接口工作序列图


3.2 交互分析框架InteractiveGraph

在提出IGP协议的基础上, 本文设计了交互分析框架InteractiveGraph, 框架结构如图4所示。

图4

图4   InteractiveGraph框架


(1) 数据层: 提供图数据的存储和查询服务, 该层包含异构的数据管理系统, 如: Neo4j、Titan、Jena等。

(2) 服务协调层: 通过适配器适配不同的数据源, 管理离线查询和数据分析任务, 同时支持通过图算法对映射后得到的数据进行处理和挖掘。

(3) 应用协调层: 提供一个支持可视化分析应用的框架AppFrame, 其中包括两个用于指定可视化应用数据源的数据连接器, 消息机制、缓冲机制、控件管理等组件。AppFrame可以为可视化分析应用提供指定数据源、缓冲数据等服务, 简化应用结构, 统一应用接口。

(4) 应用层: 面向最终用户提供交互分析应用。

4 软件实现

InteractiveGraph框架已开发完成, 在服务协调层提供了两个数据源适配器: InteractiveGraphServer- Neo4j适配器, 用以接入以JSON文件或Neo4j为数据源的服务; InteractiveGraphServer-RDF适配器, 用以接入以N3文件或Jena-TDB、Jena-Fuseki为数据源的服务。此外, InteractiveGraph在应用协调层提供了一个应用开发框架AppFrame, 提供消息机制、缓冲机制、控件管理和数据连接器等功能和组件, 可以基于AppFrame扩展可视化应用, 也可以直接基于IGP开发应用。

以上软件已开放源代码, 项目托管地址如表5所示。

表5   项目托管地址列表

项目名称托管地址开发语言
InteractiveGraphServer-Neo4j适配器https://github.com/grapheco/InteractiveGraph-neo4jScala
InteractiveGraphServer-RDF适配器https://github.com/grapheco/InteractiveGraph-RDFJava、Scala
AppFrame及应用https://github.com/grapheco/InteractiveGraphTypescript

新窗口打开| 下载CSV


4.1 Neo4j适配器设计与实现

InteractiveGraphServer-Neo4j基于Neo4j数据库后端实现从属性图数据到IGP数据格式的适配。Neo4j适配端支持三种数据源: JSON文件、Neo4j的数据库以及通过Bolt协议连接远程的Neo4j服务器。在服务端的实现中, 这三者之间存在继承关系。如果使用JSON文件作为数据源, 服务端将会开启一个新的Neo4j数据库, 将JSON文件中的数据导入到数据库中, 而数据库服务又继承了Bolt服务, 最终都通过Bolt协议在指定端口上对服务端提供图数据的存储和检索服务。

服务端从各个接口中获取查询参数后, 根据接口功能将参数转义为对应的Cypher语句。如在查询路径的接口中, 获取到的参数为起始节点id-startNodeId、终止节点id-endNodeId和最大深度maxDepth, 其意义为查询起始节点和终止节点之间不超过指定最大深度maxDepth(跳数)的路径, 则转义后得到的Cypher语句为“start m=node($startNodeId), n=node($endNodeId) match p=(m)-[*1..$maxDepth]-(n) RETURN p”。

如果数据源中存在符合查询条件的数据, 则本条查询得到的结果是Neo4j中的路径, 服务端从该路径中取出节点和边, 转换为InteractiveGraph中的格式, 以JSON字符串的形式通过接口送回给可视化应用。

InteractiveGraphServer-Neo4j中节点转换的方法是: 从节点中取出id, 作为属性图中节点的id, 对于其他属性, 将属性键和属性值一一对应地以字符串Map的格式转换到属性图中。关系转换的方法是: 从Neo4j中属性图模型的关系中提取关系id、关系类型、起始节点id、终止节点id, 并实现到id、label、from、to这4个字段的映射。

4.2 RDF适配器设计与实现

InteractiveGraphServer-RDF适配Jena框架, 支持N3文件、三元组数据库Jena-TDB、远程数据服务器Jena-Fuseki三种数据源。

当InteractiveGraphServer-RDF从IGP接口获得查询涉及的参数进行对应的查询操作时, 首先对节点id“URI化”。在id前附加预设的前缀, 将节点id转化为URI字符串, 然后根据接口功能, 将查询转义为对应的SPARQL语言, 在数据管理工具中通过SPARQL语句检索以该URI为主语的全部三元组。如在某数据集中, 节点的前缀是“<http://interactivegraph.org/ data/node/>”, 服务端从GetNodesInfo中获取到的参数id为3779, 其含义为查询id为3779的节点的全部属性信息, 则首先将该id转化为URI: “<http:// i nteractivegraph.org/data/node/3779>”, 进一步得到的SPARQL语句为:

SELECT ?p ?o

WHERE {<http://interactivegraph.org/data/node/3779> ?p ?o }

从数据管理工具中检索出的数据是全部以该URI为主语的三元组的谓语和宾语。

将RDF数据转换为属性图的操作为: 针对某个表示节点属性的三元组, 将主语“去URI化”, 即去掉预设的前缀, 作为属性图中节点的id。将谓语“去URI化”, 作为属性图中该节点的属性键, 将三元组的宾语作为属性值。框架内RDF数据到属性图数据的适配如图5所示。

图5

图5   RDF数据到属性图的适配示意图


执行深度为m的路径查询, 由于节点间边方向的不同, 需要借助中间节点, 对于每一对相邻节点, 其间的边都有两个方向。在深度为m的路径中, 相邻节点共有m对。每条查询语句实际上是对m对相邻节点间边方向的一种描述。

深度为m的路径查询需要2m条SPARQL查询语句。最大深度为m的路径查询, 实际上是从深度为1的路径到深度为m的路径的并集。对于最大深度为m的路径查询, 计算方法如公式(1)所示, 共需要2m+1-2条SPARQL语句。

${{2}^{1}}+{{2}^{2}}+{{2}^{3}}+\cdots +{{2}^{m}}={{2}^{m+1}}-2$

4.3 交互分析应用的设计与实现

基于AppFrame, 本文已成功开发了GraphNavigator、GraphExplorer和GraphRelFinder等三个应用。

(1) 图谱交互式导航GraphNavigator: 图谱交互式导航是用于全图展示的应用, 其主要功能是向服务端请求指定数据源中的全部数据并将图数据以点和边的形式在屏幕上进行展示。图谱交互式导航效果如图6所示。

图6

图6   图谱交互式导航效果


(2) 图谱步进式探索GraphExplorer: 用于从某个节点开始的图浏览, 采用交互步进式的方式解决了大图无法在画布上一次性加载展示的问题。用户通过搜索选择一个主节点进行展示。可以展示这个主节点的全部属性信息, 以及其邻边和相邻节点及属性, 更进一步地, 可以获取主节点的相邻节点的邻边和相邻节点及属性进行展示。图谱步进式探索效果如图7所示。

图7

图7   图谱步进式探索效果


(3) 图谱关系发现RelFinder: 用以在大图中寻找感兴趣的关系路径。用户通过搜索确定起始节点和终止节点, 并指定最大路径深度。应用通过接口向服务端发起关系查找请求, 并对得到的路径进行展示。路径查找的耗时较大, 因此可以在关系查找器中发送请求停止服务端的查询任务。图谱关系发现效果如图8所示。

图8

图8   图谱关系发现效果


得益于IGP对不同数据源差异的屏蔽, Interactive Graph框架内的可视化应用可以很方便地切换数据源, 并支持使用文件和数据管理系统两种数据源。针对远程数据服务器和JSON文件的配置如图9所示。

图9

图9   InteractiveGraph应用中数据源的配置


5 结 语

InteractiveGraph已经应用于中国烟草总公司科技重大专项项目“烟草科研数据融合与关联挖掘关键技术研究”。烟草科技知识图谱服务平台采集了烟草领域的646 119个科研人员、22 199个科研项目、16 111个科研成果。其中, 通过GraphExplorer实现了对烟草科技知识图谱的定向浏览发现; 通过RelFinder实现了科研人员、科研机构之间的学术合作路径的发现。RelFinder在烟草知识图谱上的应用效果展示如图10所示(敏感信息已做模糊 处理)。

图10

图10   RelFinder在烟草知识图谱上的应用效果


同时InteractiveGraph也应用于微生物知识图谱的服务平台, 通过对亿级规模RDF数据库的适配, 快速搭建了面向“物种”-“基因”-“蛋白质”-“酶”的关联路径发现应用与可视化展示环境。

实践证明, InteractiveGraph具有较好的通用性, 可以有效屏蔽Neo4j和Jena在数据格式和功能接口上的差异, 解决了异构知识图谱系统的在线交互式可视化需求, 具有一定的实际意义和推广性。

InteractiveGraph还存在一些不足, 如在大规模数据的可视化展示性能、RDF数据的路径查询效率以及针对大规模数据的相关处理等方面仍需提升。另外, InteractiveGraph的交互分析应用和数据服务端需要考虑扩展新的应用和数据后端。未来将在这些方面继续完善和优化InteractiveGraph。

作者贡献声明

赵子豪: 设计研究方案, 进行实验, 撰写论文主体内容; 完成InteractiveGraph框架中RDF适配器的开发;

沈志宏: 提出研究思路, 设计研究方案, 论文最终版本修订; InteractiveGraph开源项目的发起人, 完成核心框架和主体功能的开发。

利益冲突声明

所有作者声明不存在利益冲突关系。

参考文献

Angles R, Gutierrez C.

An Introduction to Graph Data Management: Fundamental Issues and Recent Developments

[A]// Fletcher G, Hidders J, Larriba-Pey J L, et al. Graph Data Management[M]. Springer International Publishing, 2018.

[本文引用: 1]

What is a Graph Database?

[EB/OL]. [ 2018- 12- 05]. .

URL     [本文引用: 1]

RDF Model and Syntax Specification

[EB/OL]. [ 2018- 12- 02]. .

URL     [本文引用: 1]

Alocci D, Mariethoz J, Horlacher O , et al.

Property Graph vs RDF Triple Store: A Comparison on Glycan Substructure Search

[J]. PLoS One, 2015,10(12):e0144578.

[本文引用: 1]

Neo4j Open Source NoSQL Graph Database

[EB/OL]. [ 2018- 12- 08]. .

URL     [本文引用: 1]

Titan-Distributed Graph Database

[EB/OL]. [ 2018- 12- 12]. .

URL     [本文引用: 1]

Microsoft Azure Cosmos DB

[EB/OL]. [2019-01-11]..

URL     [本文引用: 1]

InfiniteGraph

[EB/OL]. [2019-01-15]..

URL     [本文引用: 1]

Carroll J, Dickinson I, Dollin C, et al.

Jena: Implementing the Semantic Web Recommendations

[C]// Proceedings of the 13th International World Wide Web Conference on Alternate Track Papers & Posters. ACM, 2004: 74-83.

[本文引用: 1]

Erling O, Mikhailov I .

RDF Support in the Virtuoso DBMS

[A]// Pellegrini T, Auer S, Tochtermann K, et al. Networked Knowledge-Networked Media[M]. Springer, 2009.

[本文引用: 1]

AllegroGraph-Semantic Graph Database

[EB/OL]. [2019-01-11]..

URL     [本文引用: 1]

Amazon Neptune-Fast , Reliable Graph Database Build for Cloud[EB/OL]. [2019-01-11]..

URL     [本文引用: 1]

Liu Y A, Stoller S D .

Querying Complex Graphs

[C]// Proceedings of the 8th International Symposium on Practical Aspects of Declarative Languages. Springer, 2006: 199-214.

[本文引用: 1]

GraphQL

[EB/OL]. [ 2019- 01- 16]. .

URL     [本文引用: 1]

Rodriguez M A.

The Gremlin Graph Traversal Machine and Language (Invited Talk)

[C]// Proceedings of the 15th Symposium on Database Programming Languages. ACM, 2015: 1-10.

[本文引用: 1]

Francis N, Green A, Guagliardo P , et al.

Cypher: An Evolving Query Language for Property Graphs

[C]// Proceedings of the 2018 International Conference on Management of Data. ACM, 2018: 1433-1445.

[本文引用: 1]

van Rest O, Hong S, Kim J , et al.

PGQL: A Property Graph Query Language

[C]// Proceedings of the 4th International Workshop on Graph Data Management Experiences & Systems. 2016: Article No. 7.

[本文引用: 1]

Sintek M, Decker S .

TRIPLE—A Query, Inference, and Transformation Language for the Semantic Web

[C]// Proceedings of the 1st International Semantic Web Conference. 2002: 364-378.

[本文引用: 1]

Karvounarakis G, Alexaki S, Christophides V , et al.

RQL: A Declarative Query Language for RDF

[C]// Proceedings of the 11th International Conference on World Wide Web. 2002: 592-603.

[本文引用: 1]

Broekstra J, Kampman A .

SeRQL: An RDF Query and Transformation, Language DRAFT

[C]//Proceedings of the 3rd International Semantic Web Conference. 2004.

[本文引用: 1]

SPARQL 1.1 Query Language [EB/OL].[2018-12-18]. .

URL     [本文引用: 1]

Palmer S, Rock I .

Rethinking Perceptual Organization: The Role of Uniform Connectedness

[J]. Psychonomic Bulletin & Review, 1994,1(1):29-55.

[本文引用: 1]

Heim P, Hellmann S, Lehmann J , et al.

RelFinder: Revealing Relationships in RDF Knowledge Bases

[C]// Proceedings of the 4th International Conference on Semantic and Digital Media Technologies. 2009: 182-187.

[本文引用: 1]

The Open Graph Viz Platform[EB/OL]. [2019-01-03]..

URL     [本文引用: 1]

Graph Visualization with Neo4j[EB/OL]. [2018-12-25]..

URL     [本文引用: 1]

Lohmann S, Link V, Marbach E , et al.

WebVOWL: Web-based Visualization of Ontologies

[C]// Proceedings of the 2014 International Conference on Knowledge Engineering and Knowledge Management. 2014: 154-158.

[本文引用: 1]

Deligiannidis L, Kochut K J, Sheth A P.

RDF Data Exploration and Visualization

[C]// Proceedings of the ACM 1st Workshop on CyberInfrastructure: Information Management in eScience. ACM, 2007: 39-46.

[本文引用: 1]

Sayers C .

Node-Centric RDF Graph Visualization

[J]. Mobile and Media Systems Laboratory, HP Labs, 2004.

[本文引用: 1]

Vis.js

[EB/OL]. [ 2018- 12- 30]. .

URL     [本文引用: 1]

Alchemy.js[EB/OL].[2019-01-18]. .

URL     [本文引用: 1]

/

版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn