neo4j中心度算法（Centrality algorithm）

一.介绍

PageRank算法最初是谷歌推出用来计算网页排名的，简单的说就是，指向这个网页的链接数越多，那么这个网页就越重要。

PageRank算法基于两个假设：
数量假设：一个网页的入度越大，页面质量越高
质量假设：一个网页的入度来源质量越高，页面质量越高

pagerank早迭代之前都会为每个网页赋予一个相同的初始值，假设A,B,C,D四个网页，B,C,D均指向于A，则迭代一次后A的pagerank值为：PR（A）=PR(B)+PR©+PR(D),若B除指向A外还指向另一个网页，D不指向于A，则PR（A）=PR(B)/2+PR©
（1）PR(A) 是页面A的PR值。
（2）PR(Tn)是页面Tn的PR值，在这里，页面Tn是指向A的所有页面中的 某个页面。
（3）C(Tn)是页面Tn的出度，也就是Tn指向其他页面的边的个数。
（4）d 为阻尼系数，其意义是，在任意时刻，用户到达某页面后并继续向后浏览的概率，该数值是根据上网者使用浏览器书签的平均频率估算而得，可以设置在0和1之间，通常d=0.85。

二. neo4j-PageRnak

CALL algo.pageRank(label:String, relationship:String, {iterations:20, dampingFactor:0.85, write: true, writeProperty:'pagerank', concurrency:4})
YIELD nodes, iterations, loadMillis, computeMillis, writeMillis, dampingFactor, write, writeProperty

• label为neo4j中的label名
• relationship为关系名
• iterations为迭代次数，默认为20
• dampingFactor：阻尼函数，默认为0.85
• write:是否将计算结果写为节点属性
• writeProperty：权重属性
• concurrency：默认cpu数量：4
• nodes, 考虑的节点的数目
• iterations运行的迭代次数
• loadMillis加载数据的毫秒数
• computeMillis运算数据的毫秒数
• writeMillis写入结果的毫秒数

三、DEMO

MERGE (home:Page {name:'Home'})
MERGE (about:Page {name:'About'})
MERGE (product:Page {name:'Product'})
MERGE (links:Page {name:'Links'})
MERGE (a:Page {name:'Site A'})
MERGE (b:Page {name:'Site B'})
MERGE (c:Page {name:'Site C'})
MERGE (d:Page {name:'Site D'})
MERGE (home)-[:LINKS {weight: 0.2}]->(about)
MERGE (home)-[:LINKS {weight: 0.2}]->(links)
MERGE (home)-[:LINKS {weight: 0.6}]->(product)
MERGE (about)-[:LINKS {weight: 1.0}]->(home)
MERGE (product)-[:LINKS {weight: 1.0}]->(home)
MERGE (a)-[:LINKS {weight: 1.0}]->(home)
MERGE (b)-[:LINKS {weight: 1.0}]->(home)
MERGE (c)-[:LINKS {weight: 1.0}]->(home)
MERGE (d)-[:LINKS {weight: 1.0}]->(home)
MERGE (links)-[:LINKS {weight: 0.8}]->(home)
MERGE (links)-[:LINKS {weight: 0.05}]->(a)
MERGE (links)-[:LINKS {weight: 0.05}]->(b)
MERGE (links)-[:LINKS {weight: 0.05}]->(c)
MERGE (links)-[:LINKS {weight: 0.05}]->(d)

调用PageRank算法：

1.加权计算

CALL algo.pageRank.stream('Page', 'LINKS', {iterations:20, dampingFactor:0.85, weightProperty: "weight"
})
YIELD nodeId, score
RETURN algo.getNodeById(nodeId).name AS page,score
ORDER BY score DESC

2.回写计算

CALL algo.pageRank('Page', 'LINKS',{iterations:20, dampingFactor:0.85, write: true,writeProperty:"pagerank"})
YIELD nodes, iterations, loadMillis, computeMillis, writeMillis, dampingFactor, write, writeProperty

3.流结果计算

CALL algo.pageRank.stream('Page', 'LINKS', {iterations:20, dampingFactor:0.85})
YIELD nodeId, score
RETURN algo.getNodeById(nodeId).name AS page,score
ORDER BY score DESC