如何在Neo4j中使用Cypher将字符串属性转换为embedding向量

前置依赖说明 #

• 推荐使用Neo4j 5.10及以上版本，该版本开始内置genai向量生成相关函数，企业版、社区版（5.13+）均支持
• 可选择三种嵌入生成对接方式：官方内置对接OpenAI/Hugging Face端点、本地部署的ONNX模型、自定义外部嵌入服务
• 若使用APOC扩展函数，需要提前完成APOC插件安装

步骤1：识别所有字符串类型属性 #

你可以手动枚举已知的字符串属性（比如示例中的name、last_name、city），也可以通过Cypher批量筛选所有节点的字符串属性，避免遗漏：

// 批量获取全量节点的字符串属性名列表
MATCH (n)
WITH DISTINCT keys(n) AS all_keys, n
UNWIND all_keys AS key
WITH DISTINCT key WHERE apoc.meta.type(n[key]) = "STRING"
RETURN collect(DISTINCT key) AS string_property_keys

步骤2：批量生成嵌入并写入节点 #

方案1：使用内置genai函数生成（推荐） #

以下示例对接OpenAI嵌入模型，你可以替换为自己配置的本地模型名：

// 分批处理避免事务过大，1000个节点为一批，可按需调整
CALL apoc.periodic.iterate(
  'MATCH (n) RETURN n',
  'UNWIND ["name", "last_name", "city"] AS string_key
   WITH n, string_key, n[string_key] AS str_value
   // 替换第二个参数为你注册的模型名，第三方模型需要提前配置API密钥
   CALL genai.vector.encode(str_value, "OpenAI", {model: "text-embedding-3-small"}) YIELD vector
   // 嵌入向量以 原属性名_embedding 格式存储为新属性
   SET n[toString(string_key) + "_embedding"] = vector',
  {batchSize: 1000, parallel: false}
) YIELD batches, total
RETURN batches, total

方案2：对接自定义外部嵌入服务 #

如果使用自研的嵌入模型无法通过genai直接对接，可以调用apoc.ml.rest访问外部服务生成向量：

CALL apoc.periodic.iterate(
  'MATCH (n) RETURN n',
  'UNWIND ["name", "last_name", "city"] AS string_key
   WITH n, string_key, n[string_key] AS str_value
   // 替换为你自己的嵌入服务接口地址和请求参数
   CALL apoc.ml.rest.post("http://your-embedding-service/api/encode", {text: str_value}) YIELD value
   SET n[toString(string_key) + "_embedding"] = value.vector',
  {batchSize: 1000, parallel: false}
) YIELD batches, total
RETURN batches, total

注意事项 #

• 节点量级较大时必须分批处理，避免单次事务占用内存过高导致数据库崩溃
• 可以加判断逻辑跳过已经生成过嵌入的属性，避免重复计算：WHERE n[string_key + "_embedding"] IS NULL
• 生成的向量维度需要和后续创建向量索引的配置维度保持一致

内容的提问来源于stack exchange，提问作者SteveS