Ontology Reasoning System

Ontology Reasoning System

https://github.com/fanqingsong/Sapiens_Ontology

Overview

Ontology Reasoning System is a next-generation knowledge graph reasoning engine that goes far beyond traditional RAG (Retrieval-Augmented Generation). It implements Think-on-Graph (ToG) 3.0 with the MACER framework — a meta-cognitive reasoning pipeline that adaptively explores, validates, and synthesizes evidence from structured knowledge graphs.

Why Not Just RAG?

Aspect	Traditional RAG	Ontology Reasoning
Reasoning	Vector similarity + LLM	Meta-cognitive 4-stage pipeline
Query Handling	Static, single-pass	Adaptive refinement & decomposition
Evidence Validation	Basic relevance	5-component scoring + contradiction detection
Multi-hop Questions	LLM-dependent hallucination	Explicit path tracking & bridge entity detection
Temporal Reasoning	Ignored	Native temporal alignment & event sequencing
Failure Transparency	"I don't know"	Detailed confidence classification & gap analysis

---

---

✨ Key Features

🔄 MACER Reasoning Pipeline

┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│ Constructor │ -> │  Retriever  │ -> │  Reflector  │ -> │  Responser  │
│             │    │             │    │   (loop)    │    │             │
│ Entity      │    │ 5 Evidence  │    │ Sufficiency │    │ Synthesis   │
│ Extraction  │    │ Strategies  │    │ Assessment  │    │ & Answer    │
└─────────────┘    └─────────────┘    └──────┬──────┘    └─────────────┘
                                             │
                                    EXPLORE / FOCUS / REFINE / BACKTRACK

 

📊 5 Evidence Collection Strategies

• Vector Search: Semantic similarity on entity/chunk embeddings (what that means)
• Graph Traversal: Multi-hop structural exploration (how it works)
• Community Summaries: High-level contextual retrieval (how it works)
• Text2Cypher: Natural language to Cypher with self-healing
• Hybrid Mode: Intelligent combination of all strategies

🎯 Advanced Evidence Scoring

• Entity Overlap (35%): Jaccard similarity matching
• Relationship Match (25%): Graph structure alignment
• Temporal Alignment (20%): Date/time context validation
• Answer Presence (10%): Direct answer detection
• Negative Evidence (10%): Contradiction & negation detection

🌐 Additional Capabilities

• Multilingual: Full Chinese/English support with optimized fuzzy matching
• LLM Failover: Automatic cascade (OpenAI → Anthropic → Azure → Ollama)
• Incremental Updates: Delta-based graph modifications with change tracking
• Ontology Schema: Entity type inheritance, predicate cardinality, domain profiles
• SSE Streaming: Real-time progress for long-running operations

 

https://neo4j.com/docs/graph-data-science/current/algorithms/louvain/

Louvain 算法本身不是一次性的，并且支持增量检测。

🔄 算法的非一次性特点

Louvain 算法是一个层次化的聚类算法。它并非一次性完成，而是通过递归地合并社区来执行的。在每一轮迭代中，它会将属于同一个社区的节点合并成一个“超级节点”，然后在这个被压缩的、更小的图上再次执行社区发现。这个过程会持续进行，直到社区结构不再发生显著变化，达到稳定状态。

➕ 支持增量检测

对于有新节点或关系加入的场景，Louvain 算法支持增量式的社区检测。

这主要通过 seedProperty 配置参数来实现。

• 工作原理：你可以为图中的一部分节点预先设置一个初始的社区 ID，并将这个 ID 存储在节点的某个属性中（例如 seed）。
• 执行过程：在运行算法时，通过配置 seedProperty: 'seed'，算法会读取这些预设的社区 ID，并尝试在后续的计算中保持这些节点的社区归属不变。
• 结果：对于新加入的、没有预设 seed 值的节点，算法会为它们计算并分配新的社区 ID。

这种方式使得你可以在已有的社区划分基础上，高效地处理新增的数据，而无需对整个图重新进行计算。

 

https://neo4j.com/docs/graph-data-science-client/current/tutorials/community-detection/

这篇网页是 Neo4j 图数据科学（GDS）客户端的官方教程，主题为“社区发现”。它通过一个 Jupyter Notebook 示例，详细演示了如何使用 Python 的 graphdatascience 库对 Reddit 超链接网络数据集进行社区发现分析。

以下是该教程的核心内容总结：

🎯 教程目标

本教程旨在指导用户完成一个完整的图分析流程，从数据导入、预处理到应用社区发现算法，具体任务包括：

• 使用 弱连通分量 (Weakly Connected Components, WCC) 算法进行图预处理。
• 在最大的连通子图上，使用 Louvain 算法进行社区发现。

🛠️ 操作流程详解

1. 环境设置与数据导入

   • 依赖安装：安装 graphdatascience 和 pandas 库。
   • 连接数据库：初始化 GDS 客户端并连接到 Neo4j 数据库。
   • 数据加载：从 Stanford SNAP 平台下载 soc-redditHyperlinks-body.tsv 数据集，并使用 Pandas 加载。
   • 数据预处理：
     • 筛选出 2014 年 3 月 1 日之前的数据。
     • 仅保留 LINK_SENTIMENT 为 +1（正面关系）的超链接。
     • 去除重复的关系。
     • 从源和目标子版块（Subreddit）中提取所有唯一节点。
   • 数据载入图数据库：将处理好的节点和关系数据通过 Cypher 语句写入 Neo4j，并投影（project）成一个名为 reddit 的 GDS 内存图。

2. 弱连通分量 (WCC) 分析

   • 目的：识别图中所有相互连接的节点集合（即连通分量），以找出最大的子图进行后续分析。孤立的节点或过小的子图对社区发现意义不大。
   • 执行：运行 gds.wcc.mutate 算法，为每个节点计算并写入 componentId 属性。
   • 结果：通过 Cypher 查询统计每个连通分量的大小，并识别出包含节点最多的那个分量。
   • 子图筛选：使用 gds.graph.filter 方法，基于 componentId 筛选出最大的连通分量，创建一个新的子图 largest_connected_components 用于下一步分析。

3. 使用 Louvain 算法进行社区发现

   • 目的：在筛选出的最大连通子图上发现内部联系紧密的社区结构。
   • 执行：在 largest_connected_components 子图上运行 gds.louvain.mutate 算法。
   • 结果：算法为每个节点分配一个 louvainCommunityId，并计算出模块度（Modularity）分数为 0.5898，该分数用于衡量社区划分的质量。
   • 结果写入与查看：将 louvainCommunityId 属性写回数据库，并通过 Cypher 查询展示部分节点的社区归属。最后，通过查询统计并列出每个社区的大小及其包含的子版块。

🧹 清理与后续步骤

• 清理：教程最后提供了清理代码，用于从 GDS 内存和 Neo4j 数据库中删除示例数据和创建的图对象。
• 后续建议：
  • 使用 Neo4j Bloom 可视化工具，根据社区属性对生成的社区进行样式化展示和检查。
  • 尝试调整 Louvain 算法的参数，观察社区划分结果的变化。
  • 尝试使用 GDS 文档中列出的其他社区发现算法。