打造智能旅游推荐：Graphiti知识图谱实战指南-优快云博客

打造智能旅游推荐：Graphiti知识图谱实战指南

【免费下载链接】graphiti 用于构建和查询时序感知知识图谱的框架，专为在动态环境中运行的 AI 代理量身定制。项目地址: https://gitcode.com/GitHub_Trending/grap/graphiti

你是否遇到过这样的旅游推荐困境？计划去云南旅行时，搜索结果总是重复推荐丽江古城，却忽略了你对小众徒步路线的偏好；查询日本樱花季攻略时，海量信息让你无从筛选真正适合家庭出游的赏樱地点。传统推荐系统往往局限于"用户喜欢A就推荐类似A"的单一维度，而Graphiti知识图谱（Knowledge Graph，KG）技术正带来推荐领域的范式革命。

本文将带你从零开始构建旅游领域知识图谱，掌握实体关系建模、多维度搜索优化和动态推荐逻辑实现，最终打造出能理解"带父母去京都赏樱且需要无障碍设施"这类复杂需求的智能推荐系统。

旅游知识图谱的核心价值

传统推荐系统依赖用户行为数据，而知识图谱通过构建实体间的语义关联，实现真正的"理解式推荐"。在旅游场景中，这意味着系统能识别"故宫"与"XX"不仅是"北京景点"，还能理解它们分别关联"历史遗迹"、"皇家园林"等不同属性，并根据游客的"文化体验偏好"进行精准匹配。

Graphiti作为专为动态环境设计的时序感知知识图谱框架，相比Neo4j等传统图数据库，具有三大优势：

混合搜索能力：同时支持关键词匹配（BM25）和语义相似度（余弦距离）检索
时序感知：自动追踪景点开放时间、季节性活动等动态关系变化
AI代理友好：原生支持与LLM集成，适合构建智能推荐对话系统

构建旅游知识图谱的关键步骤

环境准备与数据建模

首先通过以下命令安装Graphiti核心依赖：

pip install graphiti-core

配置环境变量连接图数据库（支持Neo4j、FalkorDB等多种后端）：

# 以Neo4j为例
export NEO4J_URI=bolt://localhost:7687
export NEO4J_USER=neo4j
export NEO4J_PASSWORD=password
export OPENAI_API_KEY=your_api_key  # 用于实体关系抽取

旅游领域的核心实体包括景点（Attraction）、设施（Facility）、事件（Event）等，通过Graphiti的节点模型定义：

# 核心节点定义参考 [graphiti_core/nodes.py](https://link.gitcode.com/i/a20cfbbcd1910705d943bab212fa8f8f)
class EntityNode(Node):
    name: str  # 如"故宫博物院"
    labels: list[str] = ["Attraction", "HistoricalSite"]
    attributes: dict = {
        "address": "北京市东城区景山前街4号",
        "opening_hours": "08:30-17:00",
        "accessibility": True,  # 是否无障碍设施
        "rating": 4.8
    }

实体间关系通过Edge模型定义，如"包含景点"、"交通可达"、"季节性活动"等：

# 关系定义参考 [graphiti_core/edges.py](https://link.gitcode.com/i/8a9dc8e839a0b27907904c565c4e0efc)
class EntityEdge(Edge):
    name: str = "NEARBY"  # 关系类型
    fact: str = "故宫博物院距离景山公园1.2公里，步行可达"
    valid_at: datetime = datetime(2024, 1, 1)  # 关系生效时间
    attributes: dict = {"distance_km": 1.2, "transport": "walking"}

数据导入与实体抽取

使用Graphiti的批量导入工具处理旅游数据，以JSON格式的景点信息为例：

# 数据导入示例参考 [examples/ecommerce/runner.py](https://link.gitcode.com/i/d3b7f4885e0af8bd0121ea72725cb94c)
async def import_tourist_data(graphiti_client):
    # 加载景点数据
    with open("tourist_attractions.json") as f:
        attractions = json.load(f)
    
    # 创建原始数据节点
    for data in attractions:
        await graphiti_client.add_episode(
            name=data["name"],
            content=json.dumps(data),
            source=EpisodeType.json,  # 指定数据类型
            source_description="Tourist attraction data"
        )

Graphiti会自动调用LLM进行实体关系抽取，将非结构化文本转换为结构化图谱：

# 实体关系抽取由 [graphiti_core/prompts/extract_edges.py](https://link.gitcode.com/i/577f2ad2d2588ca60490311d248bbf95) 定义
# 抽取示例：
# 输入文本："故宫位于北京，附近有景山公园和北海公园"
# 输出关系：
# EntityEdge(name="LOCATED_IN", source="故宫", target="北京")
# EntityEdge(name="NEARBY", source="故宫", target="景山公园")
# EntityEdge(name="NEARBY", source="故宫", target="北海公园")

多维度搜索与推荐实现

Graphiti提供多种预定义的搜索策略，旅游推荐场景中最常用的是混合搜索（HYBRID_SEARCH）：

# 搜索配置参考 [graphiti_core/search/search_config_recipes.py](https://link.gitcode.com/i/df7746323a552695c7071dd55b70d404)
from graphiti_core.search.search_config_recipes import NODE_HYBRID_SEARCH_RRF

# 查找适合家庭游的北京景点
results = await graphiti_client.search(
    query="北京 家庭游 适合老人 无障碍设施",
    config=NODE_HYBRID_SEARCH_RRF,  # 混合BM25和语义搜索
    filters={"labels": ["Attraction"], "attributes.accessibility": True}
)

推荐结果会同时考虑实体属性匹配度和图谱关系权重，例如：

直接匹配"无障碍设施"属性
通过"NEARBY"关系推荐周边景点
基于"RATING"属性排序优质选项

高级应用：动态推荐与用户偏好学习

时序关系处理

旅游数据具有强时效性，Graphiti的时序感知能力可自动处理季节变化等动态因素：

# 动态关系查询示例
async def get_seasonal_attractions(graphiti_client, month):
    # 查询特定月份举办的活动
    return await graphiti_client.search(
        query="赏花 户外活动",
        config=EDGE_HYBRID_SEARCH_RRF,
        time_filters={
            "valid_at__lte": datetime(2024, month, 1),
            "invalid_at__gte": datetime(2024, month, 1)
        }
    )

构建推荐对话系统

结合Graphiti的搜索能力与LLM，可快速实现智能旅游顾问：

# 旅游对话代理参考 [examples/langgraph-agent/agent.ipynb](https://link.gitcode.com/i/b1e4c3db7bb54e1277fd0d0c441f6694)
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent

# 将Graphiti搜索包装为工具
tools = [
    Tool(
        name="TouristGraphSearch",
        func=lambda q: graphiti_client.search(q, NODE_HYBRID_SEARCH_RRF),
        description="用于查询旅游景点、设施和活动的知识图谱搜索工具"
    )
]

# 创建旅游顾问代理
agent = initialize_agent(
    tools,
    ChatOpenAI(temperature=0.7),
    agent="zero-shot-react-description"
)

# 复杂需求处理示例
response = agent.run("计划带父母去杭州玩3天，父亲腿脚不便需要轮椅通道，母亲喜欢传统文化，推荐行程安排")

系统会综合考虑多种因素生成推荐：

通过"accessibility"属性筛选无障碍景点
基于"文化体验"标签匹配博物馆、历史遗迹
利用"NEARBY"关系优化行程路线，减少交通时间
根据季节推荐当季活动（如春季西湖花展）

部署与扩展建议

性能优化

对于大规模旅游数据，建议：

使用FalkorDB作为后端获得更好的性能 examples/quickstart/quickstart_falkordb.py
为热门查询创建索引：

# 创建索引参考 [examples/quickstart/README.md](https://link.gitcode.com/i/a4b918ec0992f638563cb080e768f715)
await graphiti_client.build_indices_and_constraints()

监控与分析

集成OpenTelemetry监控图谱性能：

# 监控配置参考 [examples/opentelemetry/otel_stdout_example.py](https://link.gitcode.com/i/b3a179c476b07cf217fd6a0350756f5d)
from graphiti_core.telemetry import setup_telemetry

setup_telemetry("tourist_recommendation_system")

总结与进阶方向

本文介绍的旅游知识图谱系统已能处理基础推荐需求，进一步优化可探索：

多模态数据融合：添加景点图片、视频等多媒体信息
用户行为整合：将点击、收藏等反馈数据纳入推荐模型
事件预测：基于历史数据预测景点人流高峰

通过Graphiti的灵活架构，你可以快速扩展这些功能，构建真正理解用户需求的下一代旅游推荐系统。完整代码示例可参考 examples/quickstart 目录，更多高级用法请查阅官方文档。

现在就开始构建你的旅游知识图谱，让推荐系统真正懂用户、懂场景、懂旅游！

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考