graph_knowledge.py

# graph_knowledge.py — Popula Neo4j com base de conhecimento dos projetos
CYPHER_SCHEMA = """
// ── NÓS ──────────────────────────────────────────────────────

// Projetos
MERGE (p1:Projeto {nome: 'Sistema Imune Digital'})
SET p1.descricao = 'Sistema de detecção de fraude bancária com Deep RL. Agente DQN Dueling com 3 agentes especialistas orquestrados.',
    p1.paradigma = 'Deep Reinforcement Learning',
    p1.dado = 'Sintético',
    p1.url = 'https://huggingface.co/spaces/Danielfonseca1212/sistema-imune',
    p1.emoji = '🛡️',
    p1.ano = 2024;

MERGE (p2:Projeto {nome: 'HetGNN Fraud'})
SET p2.descricao = 'Heterogeneous Graph Neural Network com 5 tipos de nó e 7 tipos de aresta. HGTConv aprende atenção separada por tipo de relação.',
    p2.paradigma = 'Supervised GNN',
    p2.dado = 'Sintético',
    p2.url = 'https://huggingface.co/spaces/Danielfonseca1212/hetgnn-fraud',
    p2.emoji = '🕸️',
    p2.ano = 2024;

MERGE (p3:Projeto {nome: 'TGN Fraud Detection'})
SET p3.descricao = 'Temporal Graph Network com memória evolutiva por nó via GRU. Detecta fraude em stream de e-commerce em tempo real.',
    p3.paradigma = 'Temporal GNN',
    p3.dado = 'Sintético',
    p3.url = 'https://huggingface.co/spaces/Danielfonseca1212/tgn-fraud',
    p3.emoji = '⏱️',
    p3.ano = 2024;

MERGE (p4:Projeto {nome: 'DOMINANT'})
SET p4.descricao = 'Deep Anomaly Detection on Attributed Networks (IJCAI 2019). Detecta anomalias em grafo sem nenhum label no treino.',
    p4.paradigma = 'Unsupervised GNN',
    p4.dado = 'Sintético',
    p4.url = 'https://huggingface.co/spaces/Danielfonseca1212/dominant-anomaly',
    p4.emoji = '🔬',
    p4.ano = 2024;

MERGE (p5:Projeto {nome: 'GraphSAGE Elliptic'})
SET p5.descricao = 'GraphSAGE inductive vs GCN vs MLP no dataset Elliptic Bitcoin real (MIT). 203k transações reais com split temporal.',
    p5.paradigma = 'Inductive GNN',
    p5.dado = 'Real',
    p5.url = 'https://huggingface.co/spaces/Danielfonseca1212/elliptic-graphsage',
    p5.emoji = '₿',
    p5.ano = 2024;

// Tecnologias
MERGE (t1:Tecnologia {nome: 'PyTorch'});
MERGE (t2:Tecnologia {nome: 'PyTorch Geometric'});
MERGE (t3:Tecnologia {nome: 'Neo4j Aura'});
MERGE (t4:Tecnologia {nome: 'Streamlit'});
MERGE (t5:Tecnologia {nome: 'DQN Dueling'});
MERGE (t6:Tecnologia {nome: 'HGTConv'});
MERGE (t7:Tecnologia {nome: 'SAGEConv'});
MERGE (t8:Tecnologia {nome: 'GCNConv'});
MERGE (t9:Tecnologia {nome: 'GRU Memory'});
MERGE (t10:Tecnologia {nome: 'Time2Vec'});
MERGE (t11:Tecnologia {nome: 'GCN Encoder'});
MERGE (t12:Tecnologia {nome: 'Autoencoder'});
MERGE (t13:Tecnologia {nome: 'GraphSAGE'});
MERGE (t14:Tecnologia {nome: 'Hugging Face Spaces'});
MERGE (t15:Tecnologia {nome: 'OpenAI GPT'});
MERGE (t16:Tecnologia {nome: 'Cypher'});

// Conceitos
MERGE (c1:Conceito {nome: 'Detecção de Fraude'})
SET c1.descricao = 'Identificação automática de transações fraudulentas em sistemas financeiros.';
MERGE (c2:Conceito {nome: 'Graph Neural Network'})
SET c2.descricao = 'Redes neurais que operam diretamente em dados estruturados como grafos.';
MERGE (c3:Conceito {nome: 'Aprendizado por Reforço'})
SET c3.descricao = 'Paradigma onde agente aprende por tentativa e erro maximizando recompensa.';
MERGE (c4:Conceito {nome: 'Grafo Heterogêneo'})
SET c4.descricao = 'Grafo com múltiplos tipos de nó e aresta, cada um com semântica diferente.';
MERGE (c5:Conceito {nome: 'Grafo Temporal'})
SET c5.descricao = 'Grafo que evolui no tempo, com eventos ordenados temporalmente.';
MERGE (c6:Conceito {nome: 'Anomaly Detection'})
SET c6.descricao = 'Detecção de padrões incomuns sem necessidade de labels supervisionados.';
MERGE (c7:Conceito {nome: 'Inductive Learning'})
SET c7.descricao = 'Modelo que generaliza para nós/grafos novos sem retreinar.';
MERGE (c8:Conceito {nome: 'Message Passing'})
SET c8.descricao = 'Mecanismo onde nós agregam informação dos vizinhos iterativamente.';
MERGE (c9:Conceito {nome: 'Attention Mechanism'})
SET c9.descricao = 'Pesos aprendidos que determinam a importância de cada vizinho.';
MERGE (c10:Conceito {nome: 'Memory Module'})
SET c10.descricao = 'Vetor de estado por nó que acumula histórico de interações.';
MERGE (c11:Conceito {nome: 'Node Classification'})
SET c11.descricao = 'Tarefa de prever a classe de cada nó no grafo.';
MERGE (c12:Conceito {nome: 'Unsupervised Learning'})
SET c12.descricao = 'Aprendizado sem labels — modelo descobre estrutura nos dados.';

// Papers
MERGE (pp1:Paper {titulo: 'Human-level control through deep reinforcement learning'})
SET pp1.autores = 'Mnih et al.', pp1.venue = 'Nature 2015', pp1.modelo = 'DQN';
MERGE (pp2:Paper {titulo: 'Heterogeneous Graph Transformer'})
SET pp2.autores = 'Hu et al.', pp2.venue = 'WWW 2020', pp2.modelo = 'HGT';
MERGE (pp3:Paper {titulo: 'Temporal Graph Networks'})
SET pp3.autores = 'Rossi et al.', pp3.venue = 'ICML 2020', pp3.modelo = 'TGN';
MERGE (pp4:Paper {titulo: 'Deep Anomaly Detection on Attributed Networks'})
SET pp4.autores = 'Ding et al.', pp4.venue = 'IJCAI 2019', pp4.modelo = 'DOMINANT';
MERGE (pp5:Paper {titulo: 'Inductive Representation Learning on Large Graphs'})
SET pp5.autores = 'Hamilton et al.', pp5.venue = 'NeurIPS 2017', pp5.modelo = 'GraphSAGE';

// Métricas (aproximadas — baseadas em dados sintéticos)
MERGE (m1:Metrica {projeto: 'HetGNN Fraud', tipo: 'AUC'})
SET m1.valor = 0.89, m1.dataset = 'Sintético';
MERGE (m2:Metrica {projeto: 'TGN Fraud Detection', tipo: 'AUC'})
SET m2.valor = 0.91, m2.dataset = 'Sintético';
MERGE (m3:Metrica {projeto: 'DOMINANT', tipo: 'AUC'})
SET m3.valor = 0.84, m3.dataset = 'Sintético';
MERGE (m4:Metrica {projeto: 'GraphSAGE Elliptic', tipo: 'AUC'})
SET m4.valor = 0.97, m4.dataset = 'Elliptic Bitcoin Real';

// ── ARESTAS ───────────────────────────────────────────────────

// Projetos USAM tecnologias
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (t:Tecnologia {nome:'PyTorch'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (t:Tecnologia {nome:'DQN Dueling'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (t:Tecnologia {nome:'Neo4j Aura'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (t:Tecnologia {nome:'Streamlit'}) MERGE (p)-[:USA]->(t);

MATCH (p:Projeto {nome:'HetGNN Fraud'}), (t:Tecnologia {nome:'PyTorch Geometric'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (t:Tecnologia {nome:'HGTConv'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (t:Tecnologia {nome:'Neo4j Aura'}) MERGE (p)-[:USA]->(t);

MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (t:Tecnologia {nome:'GRU Memory'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (t:Tecnologia {nome:'Time2Vec'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (t:Tecnologia {nome:'PyTorch'}) MERGE (p)-[:USA]->(t);

MATCH (p:Projeto {nome:'DOMINANT'}), (t:Tecnologia {nome:'GCN Encoder'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'DOMINANT'}), (t:Tecnologia {nome:'Autoencoder'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'DOMINANT'}), (t:Tecnologia {nome:'PyTorch Geometric'}) MERGE (p)-[:USA]->(t);

MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (t:Tecnologia {nome:'GraphSAGE'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (t:Tecnologia {nome:'SAGEConv'}) MERGE (p)-[:USA]->(t);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (t:Tecnologia {nome:'GCNConv'}) MERGE (p)-[:USA]->(t);

// Projetos IMPLEMENTAM conceitos
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (c:Conceito {nome:'Aprendizado por Reforço'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (c:Conceito {nome:'Detecção de Fraude'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (c:Conceito {nome:'Grafo Heterogêneo'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (c:Conceito {nome:'Attention Mechanism'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (c:Conceito {nome:'Node Classification'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (c:Conceito {nome:'Grafo Temporal'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (c:Conceito {nome:'Memory Module'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'DOMINANT'}), (c:Conceito {nome:'Anomaly Detection'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'DOMINANT'}), (c:Conceito {nome:'Unsupervised Learning'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (c:Conceito {nome:'Inductive Learning'}) MERGE (p)-[:IMPLEMENTA]->(c);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (c:Conceito {nome:'Message Passing'}) MERGE (p)-[:IMPLEMENTA]->(c);

// Projetos REFERENCIAM papers
MATCH (p:Projeto {nome:'Sistema Imune Digital'}), (pp:Paper {modelo:'DQN'}) MERGE (p)-[:REFERENCIA]->(pp);
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (pp:Paper {modelo:'HGT'}) MERGE (p)-[:REFERENCIA]->(pp);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (pp:Paper {modelo:'TGN'}) MERGE (p)-[:REFERENCIA]->(pp);
MATCH (p:Projeto {nome:'DOMINANT'}), (pp:Paper {modelo:'DOMINANT'}) MERGE (p)-[:REFERENCIA]->(pp);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (pp:Paper {modelo:'GraphSAGE'}) MERGE (p)-[:REFERENCIA]->(pp);

// Projetos TEM métricas
MATCH (p:Projeto {nome:'HetGNN Fraud'}), (m:Metrica {projeto:'HetGNN Fraud'}) MERGE (p)-[:TEM_METRICA]->(m);
MATCH (p:Projeto {nome:'TGN Fraud Detection'}), (m:Metrica {projeto:'TGN Fraud Detection'}) MERGE (p)-[:TEM_METRICA]->(m);
MATCH (p:Projeto {nome:'DOMINANT'}), (m:Metrica {projeto:'DOMINANT'}) MERGE (p)-[:TEM_METRICA]->(m);
MATCH (p:Projeto {nome:'GraphSAGE Elliptic'}), (m:Metrica {projeto:'GraphSAGE Elliptic'}) MERGE (p)-[:TEM_METRICA]->(m);

// DIFERENTE_DE (para comparação)
MATCH (p1:Projeto {nome:'DOMINANT'}), (p2:Projeto {nome:'HetGNN Fraud'})
MERGE (p1)-[:DIFERENTE_DE {motivo: 'DOMINANT não usa labels, HetGNN usa supervisão'}]->(p2);
MATCH (p1:Projeto {nome:'GraphSAGE Elliptic'}), (p2:Projeto {nome:'HetGNN Fraud'})
MERGE (p1)-[:DIFERENTE_DE {motivo: 'GraphSAGE é inductive, HetGNN é transductive'}]->(p2);
"""

def popular_neo4j(driver, database):
    """Executa o schema Cypher para popular a base de conhecimento."""
    statements = [s.strip() for s in CYPHER_SCHEMA.split(';') if s.strip()]
    erros = []
    with driver.session(database=database) as session:
        for stmt in statements:
            try:
                session.run(stmt)
            except Exception as e:
                erros.append(str(e))
    return len(statements), erros

def verificar_schema(driver, database):
    """Retorna contagem de nós e arestas por tipo."""
    with driver.session(database=database) as session:
        nos = session.run("""
            MATCH (n) 
            RETURN labels(n)[0] AS tipo, count(n) AS total
            ORDER BY total DESC
        """).data()
        arestas = session.run("""
            MATCH ()-[r]->()
            RETURN type(r) AS tipo, count(r) AS total
            ORDER BY total DESC
        """).data()
    return nos, arestas