【Neo4j】GDS演算法

Graph Data Science Library

跨部門的合作，加薪升職的機率會高於其他人～

五階段－圖數據的演變

1. 知識圖譜
2. 圖分析
3. 圖特徵工程
4. 圖遷入
5. 圖類神經網路

Knowledge Graphs

客戶的交易、黑名單、非監督學習

多個人共享手機/地址/身分證字號，使用Cypher即可查找

圖算法

• Pathfinding & Search
• Centrality & Importance
• Community Detection
• Heuristic Link Prediction
• Similarity
• Node Embeddings & ML

多個圖算法進行分析

圖特徵工程

二維向量－embeddings

查詢 － 算法 － embeddings

圖的三種方式

Multipartite 多方圖

Bipartite 二方圖

節點跟邊

實際生活中是多方圖、但是在運行算法的時候，要去做處理 （使用二方圖）

帳戶持有人 交易動作紀錄

先幫各節點打分，在複雜的圖之中去使用

Person-[:APPEARED_IN]->Book

放到投影圖

將數據放置到投影圖

先投影到內存 － 算法 － 回寫到數據庫

不適合圖算法的資料

演算法的使用

不斷更新的演算法

Steam-查詢、Write-寫入、Stats-輸出算法運行的狀態

Estimate-評估 (算法運行前執行)

先放到投影圖(二方圖)，每個投影對應的演算法都不同

1. 投影 – Native Projection、Cypher Projection

// Native projection CALL gds.graph.create( graphName: String, nodeProjection: String, List or Map, relationshipProjection: String, List or Map, configuration: Map )

// Cypher projection CALL gds.graph.create( graphName: String, nodeQuery: String, relationshipQuery: String, configuration: Map )

推薦命名圖 Named 和 Native性能較好

演算法

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

Neo4j 擅長的無監督式學習

PageRank-較成熟的演算法

Degree – Indegree、outdegree

哪些節點之間連接的路徑最短

節點中最大的中心性

Community Detection

社區檢測 － 聯通性

三角形、

Similarity