1. 课程导论与图谱基础

1.1 什么是知识图谱

知识图谱（Knowledge Graph）是一种用图结构来建模实体及其之间关系的技术体系。它将现实世界中的事物抽象为节点（Node），将事物之间的关联抽象为边（Edge），并通过属性（Property）来丰富节点的描述信息。这种“实体-关系-实体”的三元组结构，使得机器能够像人类一样理解事物之间的语义联系。

一个典型的电商知识图谱包含：用户、商品、订单、店铺等实体，以及“购买”、“收藏”、“属于”、“评价”等关系。通过图谱，我们可以快速回答“用户 A 购买过的商品中，哪些与用户 B 收藏的商品属于同一店铺？”这类复杂关联问题。

1.2 实时图谱的应用场景

传统知识图谱多为离线构建，数据 T+1 更新。但在风控、推荐、社交等场景中，时效性是核心诉求——毫秒级的延迟可能意味着欺诈交易已经完成，或者推荐内容已经过时。实时图谱正是在这种背景下应运而生。

场景一：实时风控

• 团伙欺诈检测：新注册用户与已知黑名单设备共享同一 IP，且该 IP 在 5 分钟内关联了 3 个以上新账户——实时图谱在毫秒级完成多跳关联，触发拦截。
• 交易链路分析：一笔转账从 A → B → C → D，实时检测中间节点是否涉及高风险账户。
• 异常模式识别：同一收货地址在 1 小时内关联超过 10 个不同支付账号，实时图谱标记为“聚合地址异常”。

场景二：实时推荐

• 协同过滤增强：用户点击商品 A 后，实时图谱在 200ms 内找出“与 A 属于同一类目且被相似用户高频购买”的商品 B。
• 社交关系推荐：用户关注了 KOL X，实时图谱立即扩展 X 的互动商品列表，生成个性化推荐流。
• 场景化推荐：结合实时天气、地理位置等属性节点，动态调整推荐策略。

场景三：社交网络分析

• 实时影响力传播：一条热点内容发布后，实时追踪其在社交图谱中的传播路径和速度。
• 社区发现：新用户加入群组后，实时更新其所在的社区结构，识别潜在的意见领袖。
• 关系强度演化：根据互动频率、时间窗口等实时属性，动态调整用户之间的边权重。

1.3 课程整体技术栈概览

本课程采用 Kafka + Flink + Neo4j 作为核心技术栈，构建端到端的实时图谱流水线。三者的分工清晰明确：

• Kafka：作为事件总线，负责高吞吐、低延迟地采集和分发业务事件（如用户点击、交易记录、社交互动）。
• Flink：作为实时计算引擎，负责对事件流进行清洗、关联、聚合，并提取图谱所需的实体和关系。
• Neo4j：作为图数据库，负责存储最终的图谱数据，并提供毫秒级的图查询和遍历能力。

1.4 各组件职责与选型理由

1.5 实时图谱构建的核心流程

从原始事件到可查询的图谱，需要经过以下关键步骤：

1. 事件采集：业务系统将用户行为（点击、购买、关注等）发送至 Kafka Topic。
2. 流式处理：Flink 从 Kafka 消费事件流，进行数据清洗、字段补全、实体识别。
3. 图谱提取：Flink 根据预定义的图谱模型，将事件转换为“实体节点 + 关系边”的图结构数据。
4. 图写入：Flink 通过 Neo4j Bolt 协议，将图数据批量写入 Neo4j 数据库。
5. 图查询：业务应用通过 Cypher 语句查询 Neo4j，获取实时关联分析结果。

1.6 课程学习路径

本课程共 30 章，分为四个阶段：