◾Installation & Begin

◾DBMS

• log 확인하기

🔻system

🔸db instance management

• 새로운 instance 만들기 (community edition에서는 불가능)

◾GraphAcademy

GraphAcademy

◾Vector Index

🔻create embeddings

doc: https://neo4j.com/docs/genai/tutorials/embeddings-vector-indexes/embeddings/sentence-transformers/ doc: https://neo4j.com/docs/cypher-manual/current/indexes/semantic-indexes/vector-indexes/

1. embedding vector를 생성하는 과정은 open source 또는 cloud api를 통해 해야 함. neo4j에서 embedding 해주는 기능은 없음.

2. embedding vector를 db에 주입하는 과정은 cypher query로 수행됨.

   MATCH (m) // 특정 노드 또는 엣지 검색
   CALL db.create.setNodeVectorProperty(m, 'embedding', $embeddings) // m 객체에 embedding 속성으로 임베딩 벡터 추가.
   

   # python script
   async def upsert_embed(self, tmp_node: dict[str, str]):
   	"""vector index를 노드 또는 엣지에 추가
   	tmp_node example)
   	tmp_node = {
   		'entity_name': "최정민",
   		'entity_type': "CHARACTER",
   		'description': "desc",
   		'__vector__': list[float],
   		'__id__': "최정민"
   	}
   	"""
   	embeddings = tmp_node.get("__vector__", None)
   	if embeddings is None:
       logger.warning(f"[-] no embeddings in {tmp_node}")
       return
   	embeddings = list(embeddings)
   	query = """
   	UNWIND $tmp_node as tmp
   	MATCH (m:ENTITY {entity_name: tmp.entity_name})
   	CALL db.create.setNodeVectorProperty(m, 'embedding', $embeddings)
   	"""
   	parameters = {
       "tmp_node": tmp_node, 
       'embeddings': embeddings
   	}
   	logger.info(f"[-] Embeddings for {tmp_node['entity_name']} upserted")
   	return await self._execute_write_query(query, parameters)