大数据存储与处理——Neo4j

几种数据库的对比
传统的关系型数据库:略
非关系型数据库这里我有困惑,不知道下面的是关系型还是非关系型
1:面向列的数据库:HBase
2:K-V数据库:Redis
特点:能够存储数据结构,但是对数据关系难以刻画
适用场景:储存用户信息(比如会话)、配置文件、参数、购物车等等。这些信息一般都和ID(键)挂钩
3:文档数据库:MongoDB
特点:文档数据库通常以 JSON 或 XML 格式存储数据。
新增字段简单
4:图形数据库:Neo4j

Neo4j

图形数据库
处理大量的、复杂的、互连的、多变的数据。其计算效率远远高于传统的关系型数据库。
图形数据库在社交网络、实时推荐、征信系统、人工智能等领域有着广泛的应用。
图中每个节点代表一个对象,节点之间的连线代表对象之间的关系。节点可带标签。节点和关系都可以带若干属性

基础

1:节点
图中的对象
可带若干名-值属性
可带标签
2:关系
连接节点(有类型、带方向)
可带若干名-值属性
3:Label
label可以节点组成集合,数据库的查询就可以在此label而不是整个图
4:Path
顾名思义 距离

在这里插入图片描述

Cypher

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这个Python期末大作业是一个基于协同过滤算法的电影推荐系统,采用了neo4j数据库来存储和查询电影数据。协同过滤算法是一种利用用户的历史行为和兴趣来进行推荐的方法,它可以根据用户的喜好和其他用户的相似度来推荐用户可能感兴趣的电影。 这个电影推荐系统的实现包括以下几个步骤:首先,通过爬虫从网上获取电影的相关信息,比如电影的名字、导演、演员、类型等等,并将这些信息存储neo4j数据库中。然后,根据用户的历史行为和评分数据,计算用户之间的相似度,并将相似度的结果也存储到数据库中。接下来,当用户登录系统并选择了一个电影,系统会根据用户喜欢的电影类型和其他用户的相似度,从数据库中查找可能感兴趣的电影,并进行推荐。 通过采用neo4j数据库,这个电影推荐系统可以更高效地存储和查询大数据量的电影信息和用户数据。neo4j是一个图数据库,它的存储结构和图的结构相似,可以更好地支持复杂的关系型数据的存储和查询。同时,neo4j也提供了丰富的查询语言和API,方便我们实现各种复杂的查询和推荐算法。 总而言之,这个基于协同过滤算法的电影推荐系统使用了neo4j数据库来存储和查询电影数据,通过分析用户的历史行为和其他用户的相似度来进行推荐,可以更好地满足用户的个性化需求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值