graph

AI Knowledge Graph (ai/graph)

graph 包负责构建个人知识图谱 (Personal Knowledge Graph)，将碎片化的 Memo 连接成结构化的网络。

架构设计

图谱由 节点 (Nodes) 和 边 (Edges) 构成，支持多种类型的关联关系。

classDiagram
    class KnowledgeGraph {
        +Nodes []GraphNode
        +Edges []GraphEdge
        +Stats GraphStats
    }
    class GraphBuilder {
        -store Store
        -embedding EmbeddingService
        +Build(ctx, userID)
    }
    class GraphNode {
        +ID string
        +Label string
        +Modularity int
        +Importance float64
    }
    class GraphEdge {
        +Source string
        +Target string
        +Type string
        +Weight float64
    }
    
    GraphBuilder ..> KnowledgeGraph : builds
    KnowledgeGraph *-- GraphNode
    KnowledgeGraph *-- GraphEdge

数据结构

• Nodes: 代表 Memo 或 Tag。包含重要性 (Importance) 和聚类 ID (Cluster) 属性。
• Edges:
  • Link: 显式引用（双向链接 [[WikiLink]]）。
  • Tag Co-occurrence: 标签共现关系。
  • Semantic: 向量语义相似关系。

算法设计

1. 构图过程 (Build)

flowchart TD
    Start[开始构建] --> FetchMemos[获取用户所有 Memos]
    FetchMemos --> Nodes[生成节点列表]
    
    Nodes --> LinkEdges[构建 Link Edges (DB Relations)]
    Nodes --> TagEdges[构建 Tag Edges (Jaccard)]
    Nodes --> SemEdges[构建 Semantic Edges (Vector Search)]
    
    LinkEdges & TagEdges & SemEdges --> Merge[合并边集合]
    
    Merge --> Pagerank[计算 PageRank 重要性]
    Merge --> Community[计算 Community 聚类]
    
    Pagerank & Community --> Final[输出 KnowledgeGraph]

1. 节点生成: 加载用户所有 Memo。
2. 边生成:
   • Link Edges: 解析数据库中的 MemoRelation 表。
   • Tag Edges: 计算任意两个笔记间标签集合的 Jaccard 相似度，超过阈值则连边。
   • Semantic Edges: 对每个节点，进行 Vector Search 查找 Top-K 相似节点，超过阈值则连边。

2. 图分析算法

在构图完成后，运行图算法以提取洞察：

• PageRank: 计算节点的重要性分数 (Importance)。被引用越多、与重要节点连接越紧密的笔记，分数越高。用于在可视化中控制节点大小。
• Community Detection (社区发现): 使用简化的 Label Propagation (标签传播) 算法将节点划分为不同的簇 (Cluster)。用于在可视化中对节点进行着色，展示知识主题分布。

业务流程

1. 前端请求 "知识图谱" 视图。
2. 后端实时或从缓存构建图谱。
3. 应用过滤器 (ApplyFilter)：根据时间范围、标签、重要性阈值筛选子图。
4. 前端利用 D3.js 或其他库渲染力导向图 (Force-Directed Graph)。