Neo4j中的图算法：图分析的力量

 

网络科学与图形模型的兴起

网络是一种表示，是理解复杂系统和当今数据中固有的复杂联系的工具。例如，您可以通过考虑人与人之间的交互来表示一个社会系统是如何工作的。

通过分析这种表示的结构，我们回答问题并对系统的工作方式或个人在其中的行为做出预测。从这个意义上说，网络科学是一套适用于几乎任何领域的技术工具，图形是用来进行分析的数学模型。

网络也是理解微观相互作用和动力学如何导致全球或宏观规律的桥梁，也是将小规模星系团与更大尺度元素和形状投影联系起来的桥梁。

网络在微观和宏观之间架起了桥梁，因为它们准确地代表了事物之间的相互作用。这是一个普遍的假设，即一个系统的平均值是足够的，因为结果会被平衡。然而，事实并非如此。

例如，在社会环境中，有些人与其他人有很大的互动，而有些人只与少数人互动。对数据的平均方法完全忽略了真实世界网络中的不均匀分布和局部性。

运输网络说明了关系和分组的分布不均。资料来源：马丁·格兰杰

网络科学中一项极其重要的工作是弄清楚网络的结构是如何塑造整个系统的动力学的。在过去的15年中，我们了解到，对于许多复杂的系统来说，网络对于塑造网络中的个体以及整个系统的发展都是非常重要的。

图论分析是以图论的具体数学为基础，通过网络和复杂系统之间的联系来考察网络和复杂系统的整体本质。通过这种方法，我们了解了连接系统的结构，并对它们的过程进行了建模，以揭示难以找到的重要信息：

• • 传播途径，如疾病或网络故障的传播途径
  • 资源的流动能力和动态，如信息、电力或
  • 系统的整体鲁棒性

了解网络及其内部的联系为突破提供了巨大的潜力，方法是打开结构，揭示用于科学和商业创新的模式，以及防范脆弱性，特别是那些在迷宫中无法预见的漏洞。

图算法的威力

研究人员已经在各种各样的网络中找到了共同的基本原理和结构，并研究了如何在不同的网络领域中应用现有的标准数学工具(即图论)。

但这提出了一个问题：不熟悉网络科学的数学家如何恰当地应用图形分析？每个人如何从跨域和用例的连接数据中学习？

这就是图形算法发挥作用的地方。简单地说，图算法是基于图论的数学配方，它分析连通数据中的关系。

即使是一个单一的图算法，在多个用例中也有许多应用程序。例如，谷歌创始人拉里·佩奇(LarryPage)发明的PageRank图形算法，除了组织网络搜索结果之外，还非常有用。

它还被用来研究物种在食物网中的作用，研究大脑中的端粒，以及模拟特定网络成分在几乎每一个行业中的影响。

例如，在对大脑的研究中，科学家发现端粒的PageRank越低，它就越短-短端粒和细胞衰老之间有很强的相关性。

结语

图算法在图形分析中起着强大的作用，本系列文章的目的就是展示这个角色。在我们的下一篇文章中，我们将回顾一下图表分析作为一个整体的兴起及其在探索连接数据方面的许多应用。