NEO4J-链路预测算法01-Adamic Adac算法（adamicAdar）应用场景简介

最新推荐文章于 2024-09-04 11:03:02 发布

疯狂攻城师

最新推荐文章于 2024-09-04 11:03:02 发布

阅读量3.3k

点赞数 1

分类专栏： neo4j 文章标签：推荐系统算法导论算法

本文链接：https://blog.csdn.net/lijunliang2017/article/details/119875711

版权

neo4j 专栏收录该内容

10 篇文章 19 订阅

订阅专栏

说明：使用neo4j算法库时需引入跟neo4j数据库对应的算法库插件或自定义算法库

1.简介

Adamic Adac算法公式如下： $A(x,y) = \sum_{u\epsilon N(x)\cap N(y) }^{}\frac{1}{log|N(u)|}$

其中N(u)是与相邻的节点集u。

值A(x,y)=0表示两个节点不接近，而较高的值表示节点较近

该库包含一个计算两个节点之间接近都的函数

2.语法示例及使用场景

语法：

RETURN gds.alpha.linkprediction.adamicAdar(node1:Node, node2:Node, {
    relationshipQuery:String,
    direction:String
})

参数	类型	默认	可选	说明
node1	节点	null	无	节点
node2	节点	null	无	另一个节点
relationshipQuery	字符串	null	是的	用于计算`node1`和之间相似度的关系类型`node2`
direction	字符串	两者	是的	用于计算`node1`和之间相似度的关系方向`node2`。可能的值为`OUTGOING`、`INCOMING`和`BOTH`

Adamic Adac算法常用于社交链路中关系的预测，如好友推荐，美食推荐等等，目前国内社交市场火爆的抖音中就有好友推荐或者视频推荐，学习此算法后可以实现此功能

3.neo4j中Adamic Adac算法使用示例

1.初始化数据

CREATE
 (zhen:Person {name: 'Zhen'}),
 (praveena:Person {name: 'Praveena'}),
 (michael:Person {name: 'Michael'}),
 (arya:Person {name: 'Arya'}),
 (karin:Person {name: 'Karin'}),

 (zhen)-[:FRIENDS]->(arya),
 (zhen)-[:FRIENDS]->(praveena),
 (praveena)-[:WORKS_WITH]->(karin),
 (praveena)-[:FRIENDS]->(michael),
 (michael)-[:WORKS_WITH]->(karin),
 (arya)-[:FRIENDS]->(karin)

2.预测Michael和Karin的Adamic Adar分数

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.adamicAdar(p1, p2) AS score

结果：0.9102392266268373

3.我们还可以根据特定关系类型计算一对节点的分数

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.adamicAdar(p1, p2, {relationshipQuery: 'FRIENDS'}) AS score

结果：0.0

4.源码解析

public double adamicAdarSimilarity(@Name("node1") Node node1, @Name("node2") Node node2,
                                       @Name(value = "config", defaultValue = "{}") Map<String, Object> config) {
        if (node1 == null || node2 == null) {
            throw new RuntimeException("Nodes must not be null");
        }
        ProcedureConfiguration configuration = ProcedureConfiguration.create(config);
        RelationshipType relationshipType = configuration.getRelationship();
        Direction direction = configuration.getDirection(Direction.BOTH);

        Set<Node> neighbors = new NeighborsFinder(api).findCommonNeighbors(node1, node2, relationshipType, direction);
        return neighbors.stream().mapToDouble(nb -> 1.0 / Math.log(degree(nb, relationshipType, direction))).sum();
    }

1.将传入的config参数放入ProcedureConfiguration的config中

ProcedureConfiguration configuration = ProcedureConfiguration.create(config);

2.获取ProcedureConfiguration类config中relationshipQuery参数（此参数为关系名称）

RelationshipType relationshipType = configuration.getRelationship();

3.获取config中direction参数，此为指定关系方向

Direction direction = configuration.getDirection(Direction.BOTH);

4.条件返回节点1的关系节点，并且过滤掉与节点2没有关系的节点(即取节点1和节点2同时有relationshipType关系的且方向为direction的节点)

Set<Node> neighbors = new NeighborsFinder(api).findCommonNeighbors(node1, node2, relationshipType, direction);

5.遍历4中结果节点，并获取每个节点的关系节点数，对结果取1/对数值Math.log(result),在此基础上再求和，得到分数值

由上源码可知：