Neo4j 图数据库在社交网络等领域的应用

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/GitChat/article/details/78957565

?wx_fmt=gif&wxfrom=5&wx_lazy=1

本文来自作者 秦子敬  GitChat 上分享 「Neo4j 图数据库在社交网络等领域的应用」,阅读原文查看交流实录。

文末高能

编辑 | 哈比

一、前言

Neo4j 是一种基于图论实现的新型 NoSQL 数据库。这种数据库,在处理社交网络,物流运输,推荐系统,欺诈检测等,关系分析等领域有着巨大优势。本场 Chat,我将为你介绍:

  1. Neo4j 与关系型、其他非关系型数据库的优势比较

  2. 哪些领域适合 Neo4j,哪些领域不适合

  3. Neo4j 的安装

  4. 介绍 Cypher 查询语言

  5. 案例实战:

  • 银行欺诈环分析

  • 文献索引

  • 寻找垃圾邮箱源头

  • 企业关系构建

  • 社交关系分析,实现一个简单的好友推荐功能

二、正文

我想,大家对 Mysql 这种关系型(SQL 型)的数据库肯定很熟悉。对 MongoDb 这种非关系型(NoSQL 型)数据库也不会陌生。今天我们要介绍一种新型数据库—图数据库。这种数据库是基于图论实现的。

一提到图论,可能有的小伙伴就会倒吸一口冷气,如果你曾涉及过一些数据结构的知识,会发现图几乎是最难学的,涉及到许多晦涩难懂的算法。这里不用担心,今天介绍的 Neo4j 把很多算法已经封装好了。不需要你涉及底层,很方便。

下面我们开始对比一下图数据库和其他关系型、非关系型的数据库的优劣。

与传统数据库不同的是,图数据库存的是节点(对象)和边(对象与对象之间的关系)。当数据存在错综复杂的关系时,使用这类数据库是最好的选择。

?wx_fmt=png

1. Neo4j 与关系型、其他非关系型数据库的优势比较

(1)Neo4j 与关系型数据库的比较

以 Mysql 为代表的关系型数据库已经诞生了很久了,一直是数据库领域的动力,他们将高度结构化的数据储存在一张张二维表格里,必须严格地按照相关约定对数据进行操作(比如外键约束)。你可以把它理解成一张张账本。

?wx_fmt=png

但是,正是因为关系型数据库在建表之前就需要制定相关约定,常常会出现表与表之间有相互制约、相互引用的关系。随着数据库的不断增大,相互制约的关系会不断增多,执行搜索匹配的操作次数将呈现指数增加,进而消耗大量的资源。

举一个例子,当你要查询 “小明的朋友” 这样的问题,关系层数据库会涉及到一些代价高昂的间接层,比如用索引表查询:

?wx_fmt=png

从表里可以发现,小明(ID:2)的朋友是小华(ID:1),你也许会说这并不复杂呀,才一张表而已。

但是要是我问 “小明的朋友的朋友的朋友…” 这样的深度不断增加,每增加一层就要加一张索引表,这样间接层不断增加。查询就越来越慢,而且所需的内存开销就越来越大。

还有一点,如果我反向问,“谁的朋友是小明”,你可能会说,当然是小华呀。但是你仔细看看索引表,可小华的 FriendID 是 3 不是 1(小明)。也就是说,对于这种反向提问,关系型数据库也不能很好处理。

这种反向提问有意义吗?当然有意义,而且很有用,打个比方,小明喜欢编程,那么反向问,谁还喜欢编程。找到喜欢编程里的大神(通过紧密度中心性等属性评判)推荐给小明关注。这样一个简单的推荐功能就出来了。

对比起来,图数据库就有着得天独厚的优势,它储存节点,节点的属性,节点的关系。而这些关系是按类型和方向组织起来的。关系的访问是直接通过节点完成的。问 “小明的朋友的朋友的朋友…”,即使深度增加也只是增加节点而已。在复杂连接的查询上,能达到毫秒级别。

怎么理解节点,关系,属性这些概念呢?

这里举个例子,创建一个节点,标签是人,他的名字叫小明。小明就是一个节点。小明喜欢看电影(节点的属性),他和小华是朋友(关系)。这样一个简单的关系就建立了。

?wx_fmt=png

(2)Neo4j 与其他非关系型数据库比较

目前,大部分的 NoSQL 数据库都是基于集合和文档的,这些数据被储存在不连贯的集合里,那么这样使得数据间的相互联系,建立关系变得更加困难。也就是说数据是离散的,如果要建立关系,通常会将一个集合嵌到另一个集合里,再来实现关系。

这样的开销也很大。但是,这种数据没有太多 “ 关系 “,使用这种数据库效率特别高,有很好的读写功能。

?wx_fmt=png

这篇文章对比了 8 种不同的 NoSQL 数据库可以参考(http://blog.jobbole.com/1344/)

2. 哪些场所适合 Neo4j, 哪些场所不适合?

在这里,需要说明一下,图数据库不只有 Neo4j,但是 Neo4j 是一个非常优秀的图数据库,03 年就开始研发了,07 年发布。被许多公司使用,ebay, 阿迪达斯,沃尔玛等等。

Neo4j 是基于图论实现的,自然在处理地图方面有天然优势,所以,他适用于物流管理,交通大数据。

由于 Neo4j 的基本元素是节点和关系,它也特别适合处理有复杂关系的社交网络。另外在实现推荐系统上也很有优势,对于分析交易客户数据也很有帮助。它还能用于检测欺诈行为。下文会用一个例子说明。甚至在游戏方面也有运用。比如光荣公司的《三国志 13》。

?wx_fmt=jpeg

稍微总结适合的领域:

  • 社交网络

  • 交通大数据(物流)

  • 推荐系统

  • 欺诈分析

  • Web 安全(垃圾邮件等等)

但是,也有不适合图数据库的领域。

  • 记录大量基于事件的数据

  • 需要大规模分布式数据处理

  • 二进制数据存储

  • 适合保存在关系型数据的结构化数据

3. Neo4j 安装

Windows 有 exe 安装文件,比较方便,一步一步按照可视化教程就行。Mac 安装应该也不难。这里也不做介绍了。这里为基于 Linux Ubuntu16.04,介绍安装教程。

(1)安装 JAVA 环境

Neo4j 是用 Java 实现的,所以你需要安装 Java Runtime Environment(JRE)。如果您已经启动并运行,请继续并跳过此步骤。打开指令框:

sudo apt update
sudp apt upgrade
sudo apt install default-jre default-jre-headless

如果指令不管用,先试试这两句,再使用。

sudo update-alternatives —set java / usr / lib / jvm / java-8-openjdk-amd64 / bin / java
sudo update-alternatives —set javac / usr / lib / jvm / java-8 -openjdk-amd64 / bin / javac

看一下 java 版本:

?wx_fmt=png

(2)安装 Neo4j

首先,我们将存储库密钥添加到我们的钥匙串。

wget --no-check-certificate -O -https://debian.neo4j.org/neotechnology.gpg.key| sudo apt-key add -

然后将存储库添加到 apt 源列表中。

echo 'deb http://debian.neo4j.org/repo stable/' | sudo tee /etc/apt/sources.list.d/neo4j.list

更新一下:

sudo apt update
sudo apt install neo4j

服务器应该已经自动启动,也应该在启动时重新启动。如有必要,服务器可以停止:

sudo service neo4j stop

并重新启动:

sudo service neo4j start

访问 Neo4j

现在应该可以通过 http:// localhost:7474 / browser / 访问数据库。

下面介绍一下打开后的面板。一开始有一个登录界面,让你输入帐号密码,第一次打开默认都是 neo4j, 进去后会自动弹出来让你改密码。登录后是这个样子的。

?wx_fmt=png

这里有一些示例代码:

?wx_fmt=png

你可以先尝试一下 Example Graphs 的教程 输入查询语句后得到这样的界面:

?wx_fmt=png

table 是这样的,可以看到节点的属性:name、born 等等。

?wx_fmt=png

Text 可以看到表格的数据:?wx_fmt=png

Code 可以看到输入的 code 和 json 格式的数据:?wx_fmt=png

4. 介绍 Cypher 查询语言

正如 Mysql 有 SQL 语言一样,Neo4j 也有对应的查询语言 Cypher。Cypher 借鉴了 SQL 语言的结构,会有许多熟悉的关键字。对于数据库操作无非是增删改查,下面一一介绍:

(1)增

所谓增,就是创建数据。在图形数据库里基本元素是节点,关系,属性。Neo4j 有两个关键字实现增加。一个是 CREATE(小写也可以):

<1> CREATE 创建节点

create (n:User {name:"Dav"})

这里 n 是变量名,User 是标签(在图数据库里,标签可以理解为关系型数据库里的表 table),花括号里面的是属性。

<2> CREATE 创建关系:

MATCH (n{name:"a"}),(m{name:"b"}) CREATE (n)-[r:KNOWS]->(m) return n,m

这里做几点说明:

  • 小括号里是节点,节点也可以不带标签(不过不是好习惯),方括号里是关系,关系的两边是两个节点,
    类似这样 ()-[]→()

  • MATCH 是查询语句关键字

  • return n,m  把两个节点返回 才能得到图

    ?wx_fmt=png

另一个是用 MERGE 创建节点 MERGE 和 CREATE 不同之处在于 MERGE 等于 MATCH + CREATE 会先创建前会在数据库里检查有没有这个节点。

<3>MERGR 创建节点

MERGE (n:Test{name:"c"}) ON CREATE SET n.created = timestamp() return n

首先检查 Test 标签,属性为 name 的值的节点 c 是否存在,存在使用已有节点,否则创建一个新的节点。

这里就用到了 MERGE 创建节点,还用了一个 SET 关键字,这个是改变节点的属性,属于 “改” 的范围

<4>MERGR 创建关系

用合并的方式创建关系,先检测关系存不存在,若存在则不修改任何数据,否则创造新的关系

MATCH (a:Person{name:'Joel Silver'}),(b:Person{name:'J.T. Walsh'}) MERGE (a)-[r:LOVES]->(b)

匹配出名字叫 Joel Silver 的人和名字叫 J.T. Walsh 的人建立关系 LOVES。出现这个话,代表已经建立成功了。

Created 1 relationship, completed after 199 ms.

(2) 删

<1> DELETE 关键字可以删除数据:

MATCH (n)DELETE n

这个会报错,因为必须删除关系才能删除节点:

MATCH ()-[r:朋友]->(m) DELETE r,m

要这么操作,查找出朋友关系 r 以及朋友所指向的节点 m,并同时把 r 和 m 删除。出现这个就成功了:

Deleted 1 node, deleted 1 relationship, completed after 8 ms.

<2> REMOVE 也可以删除数据:

MATCH (n) REMOVE n:Test

用 REMOVE 来移除数据,移除带有 Test 标签的所有结点:

Removed 3 labels, completed after 9 ms.

用 REMOVE 来移除节点时要小心,REMOVE 不会像 DELETE,因为这个节点有其他关系而报错不删。

那么这个节点被删除后,关系会指向空节点。

(3)改

使用 SET 去更改节点。刚刚前文已经有例子就不赘述了。

(4)查

使用 MATCH 去查询节点。Cypher 还有其他的缩小查找范围的办法。

<1>MATCH p=()-[r:LOVES]->() RETURN p LIMIT 25

用 LIMIT 关键字只拿指定数目的节点个数。

<2> WHERE 实现条件过滤

MATCH p=(n:Person)-[:LOVES]->() WHERE n.name <> "a" RETURN p

查询节点 n 的属性 name 不等于 a 的所有节点 <> 表示不等于。

<3> 使用 INDEX 索引

使用关键字 INDEX ON 为节点的属性 name 创建一个普通的索引:

CREATE INDEX ON :Person(name)

输出:

Added 1 index, completed after 46 ms.

使用索引来查询:

MATCH (n:Person) WHERE n.name IN ["a","b"] RETURN n as Person

得到图:

?wx_fmt=png

显式使用索引查询:

MATCH(n:Person)
USING INDEX n:Person(name)
WHERE n.name = ‘a’
RETURN n as Person

用 DROP 关键字删除一个已经存在的索引:

DROP INDEX ON :Person(name)

输出:

Removed 1 index, completed after 1 ms.

Cypher 还能使用一些函数来辅助查询 比如 size()、any()等等。具体其他的可以查阅相关的 API 文档。这里只提两个重要的,查询最短路径和所有最短路径。

<1> 最短路径 shortestpath()

以这个图为例子,从部分的图里找出 Joel Silver 到 Jonathan Lipnicki 的最短路径:

?wx_fmt=png

MATCH (p1:Person {name:”Jonathan Lipnicki”}),(p2:Person{name:”Joel
Silver”}), p=shortestpath((p1)-[*..10]-(p2)) RETURN p

这里 [*..10] 表示路径深度 10 以内查找所有存在的关系中的最短路径关系

得到图:

?wx_fmt=png

<2> 所有最短路径

MATCH (p1:Person {name:”Jonathan Lipnicki”}),(p2:Person{name:”Joel
Silver”}), p=allshortestpaths((p1)-[*..10]-(p2)) RETURN p

?wx_fmt=png

以上理论部分已经讲完,下面进入实战部分。

5. 案例实战

(1)银行欺诈环分析

这里引入一个概念,第一方银行欺诈,本质是使用他人真实身份编造和伪造身份进行欺诈。

有如下几个特点:

  • <1> 两个或两个以上的人组成欺诈环;

  • <2> 欺诈环里的人共享合法联系人的部分信息,如电话号码。

我们可以使用 Neo4j 来识别存在的欺诈环。

首先,我们创建欺诈环(由于篇幅限制,就不把代码贴在这里,可以参考这个教程 http://blog.sina.com.cn/s/blog_735f29100102wobk.html)。

?wx_fmt=png

查询可疑的欺诈环:

?wx_fmt=png

从左到右,欺诈环的成员,涉嫌欺诈的联系方式,欺诈环的大小。计算出欺诈的风险值:

?wx_fmt=png

2)文献索引

先举个小例子,在学术界需要查一些论文,通常是用全文搜索,这样的搜索效率不高。可以用 Neo4j 获取匹配度高的论文。这里先举个小例子。打开 Neo4j, 先手动插入数据。

create
(论文 1:论文图谱{论文名:” 论文 1”}),(论文 2:论文图谱{论文名:” 论文 2”}),(论文 3:论文图谱{论文名:” 论文 3”}),(论文 4:论文图谱{论文名:” 论文 4”}),(论文 5:论文图谱{论文名:” 论文 5”}),(论文 6:论文图谱{论文名:” 论文 6”}),(论文 7:论文图谱{论文名:” 论文 7”}),(论文 1)-[:相似]->(论文 2),(论文 1)-[:相似]->(论文 3),(论文 2)-[:相似]->(论文 4),(论文 2)-[:相似]->(论文 5),(论文 3)-[:相似]->(论文 5),(论文 5)-[:相似]->(论文 6),(论文 7)-[:相似]->(论文 2),(论文 7)-[:相似]->(论文 6) return *

?wx_fmt=png

查找论文 1 到论文 6 之间相似的传递路径,这样就可以找出,论文的主要参考了那些论文。

MATCH n=allshortestPaths((论文 1:论文图谱{论文名:" 论文 1"})-[*..6]->(论文 6:论文图谱{论文名:" 论文 6"})) RETURN n


?wx_fmt=png

接下来,我想通过一个完整的例子实现文献索引,从数据获取,导入,再到分析。我将使用 Scrapy 爬取 1000 本书的信息。保存到 csv,导入 neo4j,再进一步分析。

首先是使用 Scrapy 爬取信息。数据爬下来后,是这样。

?wx_fmt=png

从左到右依次是书的 upc 编码,名字,类型,储存量,价格,评分,评分数目,简介目标网站是 http://books.toscrape.com/。先使用 scrapy shell 来操作一个爬虫,先简单进行爬取实验,把网页分析好。

?wx_fmt=png

scrapy shell http://books.toscrape.com/catalogue/a-light-in-the-attic_1000/index.html

设计思路:

  • <1> 根据刚刚分析出来的网页信息,设置 items

  • <2> 根据刚刚分析的网页,设计爬虫 spieder

    • 爬虫需要爬去单个页面需要信息

    • 爬完一个网页,爬虫需要去爬取下一个目标网页

  • <3> 在 setting 里设置相关信息

  • <4> 在 pipelines 处理特别的数据

代码我已经上传到 git(https://coding.net/u/Qinxianshen/p/python-spider/git)。

通过 csv 文件,把数据导入 Neo4j。首先把 book2.csv 放到这个目录下:

/var/lib/neo4j/import

首先读取一下文件,看看是否能获取到:

LOAD CSV WITH HEADERS FROM "file:///books2.csv" AS line WITH line RETURN line

?wx_fmt=png

LOAD CSV WITH HEADERS FROM "file:///books2.csv" AS line CREATE (:Books { Id: line.upc, Name: line.name, Price: line.price,Rate:line.review_rating,content:line.jianjie,kinds:line.Kinds,stock:line.stock})

这样就把 1000 本书作为节点,存进去了。输出:

Added 1000 labels, created 1000 nodes, set 5998 properties, completed after 228 ms.

查询 25 个看看情况:

?wx_fmt=png

并且可以查看到各种属性。但是还没有关系。在创建几个书类节点:

create (n:书类名{n.Name=”Sequential Art”}) .. ..

再建立关系:

MATCH (n:Books2),(m:书类名) where n.kinds = m.Name create(n)-[r:属于]->(m) RETURN n,r,m LIMIT 25

?wx_fmt=png

一个简单的书籍-门类图就建好了,现在我们可以通过书的评分,门类,价格进行索引。从而完成一个简单的书目推荐系统。在第五个案例我会合在一起做。

(3)寻找垃圾邮箱源头

如果你不想在本地下载 Neo4j,可以去可以登录微云数聚公司官网 在线尝试一下 Neo4j。这里我们就基于这个平台,来做一个垃圾邮件的案例。

在命令框输入:

MATCH m=(s:Person)-->(e:Email)-->(r:Person) WHERE e.title=~'.* 普通发票 .*' RETURN m LIMIT 15

?wx_fmt=png

这里只返回了 15 个节点。如果我们要查到垃圾邮箱的源头,会怎么做?通常垃圾邮箱的标题或者内容会有关于促销,招聘等等字眼。

这里我们就通过对所有邮件的标题遍历,查找关键字 “发票”。如果经常发这种邮件的人,邮件数量一定很多。这里我们设置当有这种信件的数量超过 105,就输出他。

MATCH m=(s:Person)→(e:Email)→(r:Person)
WHERE e.title=~’. 发票 .
WITH s,COUNT(e) AS num,COLLECT(e) AS emails,COLLECT(r) AS recevies
WHERE num > 105
RETURN s,emails,recevies

得到图:

?wx_fmt=png

很明显就发现,几乎所有发票都是来自这个邮箱 yrdudthfffxddh@126.com, 主犯找到了。

那么就可以发现这个主犯了。那么这样就结束了吗?不不,我在上文说过 “反向提问” 是很有价值的,既然找到了主犯,那么我们不妨多看看,

他还会经常发什么邮件,这类邮件有什么特征。从中挖掘出这类人,发垃圾邮箱的 “套路”。

MATCH m=(s:Person)→(e:Email)→(r:Person)

WHERE s.account=~’yrdudthfffxddh@126.com’

RETURN s,e,r

得到图:

?wx_fmt=png

仔细观察,你会发现,这个主犯的邮件除了含 “发票” 的字眼,还有 “来电恰谈”,“费用优惠” 等字眼。那么这样我们就可以记住这样的字眼,下次就可以过滤这类字眼的邮件。

通过上面这个例子,应该能体会到,图数据库,在处理垃圾邮件,查找信息的优势了。特别是在处理 “反向提问” 的问题。并且查询效率都是在毫秒级别的。

4)企业关系构建

这里还是基于微云数聚公司的平台。

MATCH (n:`公司`) RETURN n LIMIT 25

?wx_fmt=png

投资图:

MATCH a=(:公司 {名称:' 中航工业集团公司 '})-[r*]->() RETURN nodes(a)

?wx_fmt=png

这样对于公司就有一个直观的把握。谁投资了谁,现金流的流向。对于公司的财务管理也有直观的展现。

担保图:

MATCH a=(:公司 {名称:' 中航工业集团公司 '})-[r:担保 *]->() RETURN nodes(a)

?wx_fmt=png

(5)社交关系分析,实现一个简单的好友推荐功能

这里我们会用到第二个案例的书籍库,首先创建好友圈。

create (小北:朋友圈{姓名:” 小北 “, 喜欢的书类:”Poetry”}),
(小菲:朋友圈{姓名:” 小菲 “, 喜欢的书类:”Science Fiction”}),
(小鹏:朋友圈{姓名:” 小鹏 “, 喜欢的书类:”Music”}),
(小颖:朋友圈{姓名:” 小颖 “, 喜欢的书类:”Politics”}),
(小兰:朋友圈{姓名:” 小兰 “, 喜欢的书类:”Music”}),
(小峰:朋友圈{姓名:” 小峰 “, 喜欢的书类:”Travel”}),
(小讯:朋友圈{姓名:” 小讯 “, 喜欢的书类:”Poetry”}),
(小东:朋友圈{姓名:” 小东 “, 喜欢的书类:”Sequential Art”}),
(小唯:朋友圈{姓名:” 小唯 “, 喜欢的书类:”Young Adult”}),
(小窦:朋友圈{姓名:” 小窦 “, 喜欢的书类:”Poetry”}),
(小齐:朋友圈{姓名:” 小齐 “, 喜欢的书类:”Default”}),
(小林:朋友圈{姓名:” 小林 “, 喜欢的书类:”Poetry”}),
(小锐:朋友圈{姓名:” 小锐 “, 喜欢的书类:”Default”}),
(小伟:朋友圈{姓名:” 小伟 “, 喜欢的书类:”Young Adult”}),
(小玲:朋友圈{姓名:” 小玲 “, 喜欢的书类:”Business”}),
(小讯)-[:认识]->(小窦),
(小讯)-[:认识]->(小齐),
(小讯)-[:认识]->(小林),
(小讯)-[:认识]->(小鹏),
(小讯)-[:认识]->(小伟),
(小讯)-[:认识]->(小峰),
(小菲)-[:认识]->(小鹏),
(小菲)-[:认识]->(小峰),
(小菲)-[:认识]->(小唯),
(小峰)-[:认识]->(小北),
(小峰)-[:认识]->(小兰),
(小东)-[:认识]->(小林),
(小东)-[:认识]->(小锐),
(小东)-[:认识]->(小菲),
(小鹏)-[:认识]->(小颖),
(小北)-[:认识]->(小兰),
(小颖)-[:认识]->(小东),
(小唯)-[:认识]->(小鹏),
(小唯)-[:认识]->(小锐),
(小伟)-[:认识]→(小玲)

展现小峰的朋友圈:

MATCH n=(:朋友圈{姓名:" 小峰 "})-[*..6]-() return n

?wx_fmt=png

这里要引入几个概念。

<1> 一度关系(直接关系)

MATCH n=(:朋友圈{姓名:" 小讯 "})-[:认识]-() return n

?wx_fmt=png

<2> 二度关系

MATCH n=(:朋友圈{姓名:" 小讯 "})-[*..2]-() return n

?wx_fmt=png

我曾经看到一个问题,如果你住在一个村子,要认识奥巴马,要经过几个人呢?答案是 6 个。假设你在一个村里,那么村长,乡长,县长,市长,省长,国家主席,奥巴马,通过六个人就可以了。所以你会发现,我们通常在 6 度深度搜索。

<3> 两个陌生人之间的最短认识路径

我们可以用 Neo4j 来找到两个不认识的人,建立联系的最短路径。

MATCH n=shortestPath((小讯:朋友圈{姓名:" 小讯 "})-[*..6]-(小锐:朋友圈{姓名:" 小锐 "})) return n

?wx_fmt=png

<4> 两个陌生人之间的所有最短认识路径

MATCH n = allshortestPaths((小讯:朋友圈{姓名:" 小讯 "})-[*..6]-(小菲:朋友圈{姓名:" 小菲 "})) return n

?wx_fmt=png

<5> 根据节点的影响力或者及其它属性来制作推荐系统

不知道,大家有没有思考过,B 站、淘宝,QQ 等等这些软件是怎么作推荐系统的。比如:B 站,每一个 Up 主在上传视频的时候都要选好投稿区,类型,关键字标签。这样就已经完成了数据的分类。

你如果经常看官延区,那么你来官延区的频度一定很大,那么可以给你推荐这些视频,再根据 Up 主的影响力(节点的大小)来给你推荐。当然他们肯定还使用了许多机器学习的算法。在我看来,也可以使用 Neo4j 做一个简单的推荐功能。

比如做一个小小的书籍推荐。在创建节点的时候,我顺便创建了他们喜欢的书的类型(你会发现,你用一些 app 时,你一件事就是让你确定喜好)

结合第二个案例的数据:

MATCH (n:朋友圈),(m:Books2) where n. 喜欢的书类 = m.kinds and toInt(m.Rate)>4  create (m)-[r:推荐]->(n) return m,r,n

这里我们做了一件事,就是根据大家填上来的喜好书籍类型,我们挑选出评分大于 4 的书籍给他们。

?wx_fmt=png

并且从图中可以很容易发现,越是推荐书籍密集的相近的人,他们就具有相同的爱好。比如小齐和小锐,从图中还能发现,两个人并不是直接认识的。根据这一点,我们就可以介绍小锐和小齐认识交流。

由此,我们完成了两层推荐。一个是书籍的推荐,一个是朋友的推荐。但是,实际运用中肯定不会这么草率和简单,考虑的肯定会更加详细。这里只是做一个简单的抛砖引玉。

三、推荐资料:

在学习 Neo4j 的过程中,我也找了不少资料。这里也供大家参考。

  • 《Neo4j 权威指南》—清华大学出版社

  • 《Neo4j 全栈开发》—电子工业出版社

  • 《图数据库》—人民邮电出版社

  • 《精通 Scrapy 网络爬虫》—清华大学出版社

  • Neo4j 官方文档(http://neo4j.com/docs/stable/tutorials.html)

四、写在最后的话

Neo4j 确实是一个很好的数据库,虽然现在还没火起来,但是我相信,未来它的应用场景会越来越多的。毕竟画图是我们人类认识世界最直观的方式了。

非常非常感谢大家能来参加这场 Chat。这是我做的第二场 Chat,虽然已经有第一次的经验了。但是说实在话,还是很紧张。毕竟我还是一名学生,做的东西肯定会有不少疏忽和错漏,还请大家谅解。

有什么疑问都可以在评论区留言。这对我也是一次很好的历练与成长。最后感谢各位的支持。感激不尽。

秦子敬  17 年 12 月 16 日

近期热文

从零开始,搭建 AI 音箱 Alexa 语音服务

修改订单金额!?0.01 元购买 iPhoneX?| Web谈逻辑漏洞

让你一场 Chat 学会 Git

接口测试工具 Postman 使用实践

如何基于 Redis 构建应用程序组件

深度学习在摄影技术中的应用与发展


?wx_fmt=jpeg

「阅读原文」看交流实录,你想知道的都在这里

展开阅读全文

没有更多推荐了,返回首页