新闻详情

新闻详情

首页 / 资讯中心 / 详情

作业1:TuGraph图数据库电影关系图实验

发布时间:2026/11/20 8:16:40来源:尧图网络
作业1:TuGraph图数据库电影关系图实验
作业1TuGraph图数据库电影关系图实验课程图数据库 | 平台阿里云TuGraph | 数据集movie_graphperson、movie、PRODUCE关系一、成功启动TuGraph平台描述部署步骤附带登录截图1. 阿里云TuGraph平台部署与启动步骤本次实验使用阿里云图数据库TuGraph云实例无需本地安装部署操作流程登录阿里云控制台搜索「图数据库TuGraph」产品进入TuGraph实例管理页面。选择已创建好的TuGraph实例等待实例状态变为运行中。在实例详情页获取Web可视化控制台的访问地址、账号与密码。浏览器打开Web可视化链接输入实例对应的账号密码完成系统登录进入TuGraph可视化工作台。截图阿里云TuGraph系统登录界面截图二、模型建立、数据导入、增删改查截图展示运行结果2.1 图模型设计与建立本次构建movie_graph图包含两类节点一种关系节点标签movie属性 id, title, tagline, summary, poster_image, duration, rated节点标签person属性 id, name, born, poster_image关系PRODUCE方向 person → movie含义人物制作该电影在阿里云TuGraph可视化控制台创建图movie_graph定义点类型、边类型设置id为唯一索引。截图图模型构建页面2.2 数据导入使用阿里云TuGraph的数据导入功能上传movie、person的csv数据集完成基础图数据批量导入。截图数据导入页面2.3 增删改查CRUDCypher操作1新增 CREATE新增movie节点CREATE (m:movie {id:999, title:新电影, tagline:测试新增, summary:新增电影测试, poster_image:test.jpg, duration:110, rated:PG}) RETURN m;新增movie节点新增 person 节点CREATE (p:person {id:999, name:张三, born:1990, poster_image:zhangsan.jpg}) RETURN p;新增person节点新增 PRODUCE 关系MATCH (p:person{id:999}), (m:movie{id:999}) CREATE (p)-[r:PRODUCE]-(m) RETURN p,r,m;新增PRODUCE关系截图新增节点与关系图谱可视化结果3.2 查询 MATCH查询指定人物制作的电影MATCH (p:person)-[r:PRODUCE]-(m:movie) WHERE p.id999 RETURN p.name, m.title;截图查询结果3.3 修改 SET修改人物出生年份MATCH (p:person{id:999}) SET p.born 1992 RETURN p;修改电影标题MATCH (m:movie{id:999}) SET m.title 修改后的电影名称 RETURN m;3.4 删除 DELETE删除关系MATCH (p:person{id:999})-[r:PRODUCE]-(m:movie{id:999}) DELETE r;删除人物节点MATCH (p:person{id:999}) DETACH DELETE p;删除电影节点MATCH (m:movie{id:999}) DETACH DELETE m;截图删除执行成功页面四、实验问题与解决实验过程中创建节点出现报错index value already exists问题原因id 为唯一索引主键数据库中已存在相同 id 节点无法重复创建。解决方法更换全新未使用的 id 数值保证主键唯一性后即可正常新增数据。五、聚合查询实验5.1 节点数量统计分组聚合MATCH (n) RETURN labels(n) AS label, count(n) AS nodeCount;说明使用 count() 聚合函数按节点标签分组分别统计 person、movie 节点数量。截图聚合查询运行结果5.2 查询电影平均时长MATCH (m:movie) RETURN avg(m.duration) AS avg_movie_duration;六、实验总结本次实验基于阿里云TuGraph云图数据库完成完整图数据库实验成功搭建 movie_graph 图模型完成 CSV 数据导入熟练使用 Cypher 语言实现节点与关系的新增、查询、修改、删除操作。掌握图数据库节点、属性、边关系的基本原理熟悉聚合查询统计方法并解决主键索引重复报错问题加深了对图数据库存储结构与查询语法的理解。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉