如何在Neo4j中实现模糊搜索？RAG应用实体多形式匹配

针对实体名称的多种变体（如CY 2023、CY2023、CY 2023、CY23），可以通过以下几种方式实现统一匹配：

1. 标准化存储字段 #

在节点中新增一个normalized_name字段，提前将所有实体名称转换为统一格式，后续搜索直接匹配该标准化字段。

入库预处理示例： #

// 针对CY开头的年份实体，统一标准化为四位年份格式（如CY23→CY2023，CY   2023→CY2023）
MATCH (n:Entity)
WHERE n.name STARTS WITH 'CY'
SET n.normalized_name = 
  let clean_name = replace(n.name, ' ', ''),
  standardized_name = CASE
    WHEN clean_name =~ 'CY\\d{2}' THEN replace(clean_name, 'CY', 'CY20')
    ELSE clean_name
  END

搜索查询示例： #

先对用户输入做同样的标准化处理，再匹配normalized_name：

WITH 
  let user_input = $input,
  clean_input = replace(user_input, ' ', ''),
  standardized_input = CASE
    WHEN clean_input =~ 'CY\\d{2}' THEN replace(clean_input, 'CY', 'CY20')
    ELSE clean_input
  END
MATCH (n:Entity)
WHERE n.normalized_name = standardized_input
RETURN n

2. 查询时动态标准化匹配 #

如果无法修改现有节点结构，可以在查询过程中同时标准化节点名称和用户输入，再进行匹配：

WITH 
  let user_input = $input,
  // 标准化用户输入：去空格+补全年份
  clean_input = replace(trim(user_input), ' ', ''),
  standardized_input = CASE
    WHEN clean_input =~ 'CY\\d{2}' THEN replace(clean_input, 'CY', 'CY20')
    ELSE clean_input
  END
MATCH (n:Entity)
WITH n, standardized_input,
  // 标准化节点名称
  clean_node_name = replace(trim(n.name), ' ', ''),
  standardized_node_name = CASE
    WHEN clean_node_name =~ 'CY\\d{2}' THEN replace(clean_node_name, 'CY', 'CY20')
    ELSE clean_node_name
  END
WHERE standardized_node_name = standardized_input
RETURN n

3. 配置自定义全文索引 #

创建带有自定义分析器的全文索引，自动处理空格等格式差异，同时可结合同义词扩展处理年份缩写：

// 创建自定义分析器的全文索引，去除所有空格
CREATE FULLTEXT INDEX entity_name_index FOR (n:Entity) ON EACH [n.name]
OPTIONS {
  analyzer: {
    name: 'cy_entity_analyzer',
    tokenizer: 'standard',
    filters: [
      'lowercase',
      'asciifolding',
      { type: 'pattern_replace', pattern: '\\s+', replacement: '' }
    ]
  }
}

扩展查询示例（处理CY23→CY2023）： #

WITH 
  let user_input = $input,
  clean_input = replace(user_input, ' ', ''),
  // 生成包含缩写和完整形式的查询语句
  query_str = CASE
    WHEN clean_input =~ 'CY\\d{2}' THEN clean_input + ' OR ' + replace(clean_input, 'CY', 'CY20')
    ELSE clean_input
  END
CALL db.index.fulltext.queryNodes('entity_name_index', query_str) YIELD node, score
RETURN node ORDER BY score DESC

Neo4j支持多种模糊搜索方式，可根据场景选择：

1. 正则表达式匹配 #

使用=~操作符编写正则规则，灵活匹配字符串模式：

// 匹配包含CY和2023的任意格式名称（忽略中间空格）
MATCH (n:Entity)
WHERE n.name =~ '.*CY\\s*2023.*'
RETURN n

// 匹配以CY开头、年份为两位或四位的实体
MATCH (n:Entity)
WHERE n.name =~ 'CY\\s*(\\d{2}|\\d{4})'
RETURN n

2. 全文索引模糊查询 #

利用全文索引支持的通配符（*）和模糊匹配（~）：

// 前缀匹配：搜索以CY开头的实体
CALL db.index.fulltext.queryNodes('entity_name_index', 'CY*') YIELD node, score
RETURN node

// 模糊匹配：搜索与CY23相似度较高的实体（允许少量字符差异）
CALL db.index.fulltext.queryNodes('entity_name_index', 'CY23~') YIELD node, score
RETURN node ORDER BY score DESC

3. 基于相似度的模糊匹配 #

使用APOC库的apoc.text.fuzzyMatch函数，通过字符串相似度阈值过滤结果：

// 匹配与输入相似度大于0.8的实体（阈值可调整）
MATCH (n:Entity)
WHERE apoc.text.fuzzyMatch(n.name, $input) > 0.8
RETURN n ORDER BY apoc.text.fuzzyMatch(n.name, $input) DESC

4. 前缀/后缀匹配 #

使用STARTS WITH、ENDS WITH实现简单的前缀/后缀模糊搜索：

// 搜索名称以CY开头的实体
MATCH (n:Entity)
WHERE n.name STARTS WITH 'CY'
RETURN n

// 搜索名称以2023结尾的实体
MATCH (n:Entity)
WHERE n.name ENDS WITH '2023'
RETURN n

内容的提问来源于stack exchange，提问作者Rajib Deb