Stakeholder Knowledge Graph & Relationship Exploration

Applicazione interattiva per la mappatura, l’arricchimento semantico e l’analisi delle relazioni tra stakeholder, progetti, parole chiave e Obiettivi di Sviluppo Sostenibile (SDG).
Il sistema aiuta a comprendere, spiegare e prevedere collaborazioni potenziali all’interno di ecosistemi territoriali e tematici.

L’app è composta da:

• Backend REST in Python + Neo4j (con Graph Data Science),
• Pipeline NLP + Linked Open Data (Wikidata / DBpedia / GeoNames),
• Frontend interattivo sviluppato in Streamlit per esplorazione, editing e analisi.

L’obiettivo è mappare ecosistemi collaborativi e suggerire nuove relazioni sulla base di:

• similarità semantiche tra descrizioni e parole chiave,
• struttura del grafo (co-partecipazioni, domini tematici),
• Link Prediction e embedding FastRP.

---

🎯 Obiettivi

• Rappresentare Stakeholder e Progetti come grafo ricco e navigabile.
• Evidenziare temi, territori e settori condivisi.
• Arricchire nodi e keyword tramite collegamento a fonti LOD.
• Misurare prossimità e affinità tra attori.
• Suggerire collaborazioni tramite:
  • FastRP + Cosine Similarity
  • Modello di Link Prediction (GDS Pipeline)
  • Similarità Jaccard basata su co-progetti

---

🧱 Architettura

(Frontend Streamlit) ←→ (REST API Flask) ←→ (Neo4j + GDS)
                            ↓
                     (Linked Open Data)
   Wikidata / DBpedia Spotlight / GeoNames / Sentence Embeddings

---

📦 Struttura del progetto

backend/
├─ app.py                     → API REST Flask
├─ neo4j_client.py            → Connessioni DB + GDS
├─ helpers_lod.py             → Normalizzazione e mapping LOD
├─ lod_linking.py             → Estrazione termini + linking semantico
├─ lod.py                     → Utility Wikidata/DBpedia/GeoNames
└─ requirements.txt

streamlit_app/
├─ pages/
│  ├─ inserimento_stakeholder.py   → CRUD stakeholder + keyword + LOD
│  ├─ predizioni_stakeholder.py    → Similarità e suggerimenti Top-K
│  ├─ dashboard.py                 → KPI, matrici, overview rete
│  ├─ project_form.py              → Gestione progetti e collegamenti
│  └─ lod_linking.py               → Interfaccia linking semantico
│
├─ utils.py                    → Sessione HTTP verso backend
├─ cypher/load_demo_with_py2neo3.py           → Caricamento dataset di esempio
└─ .env

---

🧬 Backend Knowledge Graph

Modello dati

Nodi

Stakeholder(id, name, type, location, description)
Project(id, name, description, location, code?)
Keyword(name)
SDG(code)
Sector(name)
LODEntity(uri, label, source)

Relazioni

(:Stakeholder)-[:participatesIn]->(:Project)
(:Project)-[:relatedToKeyword]->(:Keyword)
(:Stakeholder)-[:hasKeyword]->(:Keyword)
(:Project)-[:contributesTo]->(:SDG)
(:Stakeholder)-[:IN_SECTOR]->(:Sector)
(:Keyword)-[:linkedTo]->(:LODEntity)
(:Stakeholder)-[:COLLAB]->(:Stakeholder)   # usata per Link Prediction

Pipeline NLP & LOD

• Estrazione di termini rilevanti dal testo (NER + noun chunks)
• Embedding semantici: Sentence-Transformers (DistilUSE)
• Fuzzy matching robusto: RapidFuzz
• Linking:
  • Wikidata → ricerca + disambiguazione SPARQL
  • DBpedia Spotlight (IT) → estrazione concetti
  • GeoNames → riconoscimento località reali

Graph Data Science

• Proiezioni del grafo per analisi tematica
• Embedding FastRP scritti nel DB (embedding_fastrp)
• Pipeline LP (train → test → store → predict/write)
• Similarità (cosine, jaccard)

---

🚀 Installazione

1. Clona il repository

git clone https://github.com/Ylenia1211/sdg_graph_app.git
cd sdg_graph_app

2. Avvia Neo4j con GDS installato

python cypher/load_demo_with_py2neo3.py

3. Configura variabili ambiente

BACKEND_URL=http://localhost:8000
NEO4J_URI=neo4j://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASS=password

4. Avvia Backend

cd backend
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
python app.py

5. Avvia Frontend

cd ../streamlit_app
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
streamlit run home.py

---

📄 Licenza

Da definire.

Rilascio: 30/09/2025