Graph圖的相似性計算的極值問題

數據集的相似性計算，其應用十分廣汎，在現有的各類人工智能的底層算法中，大多數都是基於概率（可能性）的近似計算，然後取最大可能性的近似值。參考 理解计算：从根号2到AlphaGo ——第1季 从根号谈起 （ https://ufqi.com/news/ulongpage.191.html ）。
另外使用神經網絡可以模擬任意曲綫函數，A visual proof that neural nets can compute any function （ http://neuralnetworksanddeeplearning.com/chap4.html ） 。
甚至，在早期的搜索引擎的計算中，如果計算兩個段落或者兩篇文章的相似性，也有使用基於圖的算法，將每篇文章視爲一個 graph，然後使用下面的圖的相似性的算法來計算兩者之間的相似性。

從一堆圖片中找到貓的照片是類似算法，車牌識別是這種算法，人臉識別、語音識別等都是類似的應用，神經網絡、深度學習等，莫不如是。人工智能AI之外，我們看到各種基於興趣的商品推薦，在綫廣告的智能匹配等等，都有這些算法的身影。
我們曾經開展過在綫廣告點擊率預測模型，其中運用到KNN算法，其核心就用到了 Euclidean Distance的計算 （ https://www.researchgate.net/publication/330742123_A_practical_study_on_imbalanced_data_re-sampling_for_conversion_rate_of_online_advertising ） 。

Neo4j 關於圖（Graph）的相似性計算（Similarity algorithm）提供了若干算法。