社交网络
马超的博客
Stay Hungry, Stay Foolish
展开
-
基于Neo4j图数据的三角计数社区发现算法
形成一个社区在所有类型的网络中都很常见,识别它们对于评估群体行为和突发现象都很重要。通常来说,社区的成员在群体内的关系比在群体外的节点多,这是社区检测的一般原则。识别这些相关集体可以揭示节点群集、独立组和网络结构。此信息有助于推断对等的各组的相似行为和偏好、弹性估算和查找嵌套关系,也可以为其他分析准备数据。社区检测算法也常用于生成用来做一般性检测的网络可视化图。原创 2020-03-16 18:32:51 · 1572 阅读 · 0 评论 -
基于社交帐号互动网络生成虚拟图
一、原始互动图原始图谱结构包含Twitter账号和帖子,关系类型有点赞|转发|评论等,生成的图谱如下所示:二、生成的虚拟图生成虚拟图之后,隐藏了全部的帖子节点,只展示出人与人之间的关系:三、可视化数据格式样例{"totalNodeSize":3,"totalRelationSize":2,"consume":"Total consume 0s,average consume 0s/r...原创 2020-03-12 20:16:08 · 445 阅读 · 0 评论 -
基于亲属图谱的关系推理
有朋友提到一个亲属图谱推理的问题,下面分享一下自己的实现思路,仅供参考。一、定义推理规则提前定义一些关系推理规则,比如:path=(a)<-[:父亲]-(b)-[:姐姐]->(c)则可以推断出path=(c)-[:父亲]->(a)就亲属关系而言这些规则是可以穷举出来的。二、隐含关系推理在接口直接输入两个人的ID能得出来他们之间的隐含关系。需要拿出两个...原创 2020-03-11 11:23:50 · 2211 阅读 · 3 评论 -
优化互动网络双向关注关系
一、问题出现背景在社交网络中存在互相关注关系,表示两人就存在好友关系。在具体的图谱构建中,如果存在这种大量的双向关注关系,会极大的影响图的遍历性能。所以需要对这种结构的图进行优化。二、构建好友关系#将双向关注关系构建为好友关系MATCH (n)-[:关注]->(m)-[:关注]->(n) WHERE size((n)-[:好友]-(m))=0 MERGE p=(n)-[r:好友...原创 2020-03-11 10:47:35 · 326 阅读 · 0 评论