强大的功能集合，让知识图谱构建变得简单高效
自动遍历目录以定位并读取文本文件，支持批量处理大量文档，高效完成数据收集。
利用开源 AI 模型从文本中提取有意义的关系，支持人物、地点、组织等多种实体类型。
将提取的关系直接写入 Neo4j 数据库，创建可查询、可视化的知识图谱，支持复杂关系查询。
简单四步，从文本到知识图谱
自动扫描并读取指定目录下的所有文本文件
解析文件内容，准备进行关系提取处理
使用 AI 模型智能识别实体和关系
将结果存入 Neo4j，形成可视化知识图谱
几分钟内完成安装并开始使用
conda create -n text2neo4j python=3.10.13 -ypip install -r requirements.txtcp parses/configs.demo.py parses/configs.py然后编辑 parses/configs.py 配置 Neo4j 连接和 Dify API
python parses/main.py找到您需要的答案
LLaMA3.1:8B 模型支持 128K 上下文，适合处理较长的文本。结合 Dify 平台可以更好地管理和优化 prompt，本项目脚本默认基于此组合完成，提供更稳定的关系提取效果。当然，您也可以尝试单纯使用 LLaMA3.1:8B 或其他关系提取方式，主要是调整适当的 prompt。
由于使用 LLaMA3.1:8B 模型从文本中提取关系，每次提取的关系数量和类型可能会有所不同。如果需要更精准的关系提取，可以尝试调整 prompt 或选择更适合的模型进行优化和调试。本项目提供了详细的 prompt 模板供您参考和修改。
Text2Neo4j 支持处理各种纯文本文件（.txt）格式。程序会自动遍历指定目录下的所有文本文件，无论文件大小，都能通过 LLaMA3.1:8B 的 128K 上下文能力进行高效处理。
关系提取完成后，数据会自动写入您配置的 Neo4j 数据库。您可以通过 Neo4j Browser（http://localhost:7474）或 Neo4j Desktop 可视化查看和查询生成的知识图谱。支持的查询包括 Cypher 查询语言，可以灵活探索实体间的关系网络。
看看 Text2Neo4j 如何从文本中提取关系
高捷，祖籍江苏，本科毕业于东南大学。
2024年8月26日，公司A的陈总与公司B的刘总达成合作协议。陈总来自贵州，于2000年毕业于北京大学。刘总来自四川，于2005年毕业于深圳大学。