Neo4j圖譜分析實(shí)戰(zhàn)

第1篇  使用Neo4j進(jìn)行圖建模
第1章  圖數(shù)據(jù)庫(kù) 3
1.1  圖的定義和示例 3
1.1.1  圖論 4
1.1.2  圖的示例 7
1.2  從SQL遷移到圖數(shù)據(jù)庫(kù) 12
1.2.1  數(shù)據(jù)庫(kù)模型 12
1.2.2  SQL和連接 13
1.2.3  關(guān)系關(guān)乎一切 15
1.3  關(guān)于Neo4j 15
1.3.1  構(gòu)建塊 16
1.3.2　從SQL到Neo4j的轉(zhuǎn)換 18
1.3.3  Neo4j用例 19
1.4  理解圖屬性 19
1.4.1  有向圖與無(wú)向圖 19
1.4.2  加權(quán)圖與無(wú)權(quán)圖 20
1.4.3  有環(huán)圖與無(wú)環(huán)圖 21
1.4.4  稀疏圖與稠密圖 21
1.4.5  連通圖與斷開(kāi)圖 22
1.5  在Neo4j中對(duì)圖進(jìn)行建模的注意事項(xiàng) 23
1.5.1  關(guān)系取向 23
1.5.2  節(jié)點(diǎn)和屬性的區(qū)別 24
1.6  小結(jié) 24
1.7  延伸閱讀 25
第2章  Cypher查詢(xún)語(yǔ)言 27
2.1  技術(shù)要求 27
2.2  創(chuàng)建節(jié)點(diǎn)和關(guān)系 28
2.2.1  使用Neo4j Desktop管理數(shù)據(jù)庫(kù) 28
2.2.2  創(chuàng)建節(jié)點(diǎn) 29
2.2.3  選擇節(jié)點(diǎn) 31
2.2.4　創(chuàng)建關(guān)系 32
2.2.5　選擇關(guān)系 33
2.2.6　MERGE關(guān)鍵字 34
2.3　更新和刪除節(jié)點(diǎn)和關(guān)系 35
2.3.1　更新對(duì)象 35
2.3.2　刪除對(duì)象 37
2.4  模式匹配和數(shù)據(jù)檢索 38
2.4.1  模式匹配 39
2.4.2  測(cè)試數(shù)據(jù) 40
2.4.3  圖遍歷 41
2.4.4　可選匹配 43
2.5　使用聚合函數(shù) 44
2.5.1　計(jì)數(shù)、求和和平均值 44
2.5.2　創(chuàng)建對(duì)象列表 45
2.5.3　取消嵌套對(duì)象 45
2.6　從CSV或JSON導(dǎo)入數(shù)據(jù) 46
2.6.1　從Cypher導(dǎo)入數(shù)據(jù) 46
2.6.2　從命令行導(dǎo)入數(shù)據(jù) 53
2.6.3　APOC導(dǎo)入工具 54
2.6.4  導(dǎo)入方法小結(jié) 60
2.7  評(píng)估性能并提高查詢(xún)速度 60
2.7.1  Cypher查詢(xún)計(jì)劃器 60
2.7.2  Neo4j索引 62
2.7.3  關(guān)于LOAD CSV的再討論 62
2.7.4  “朋友的朋友”示例 64
2.8  小結(jié) 66
2.9  思考題 66
2.10  延伸閱讀 67
 
第3章  使用純Cypher 69
3.1  技術(shù)要求 69
3.2  知識(shí)圖 70
3.2.1  嘗試給知識(shí)圖一個(gè)定義 70
3.2.2  從結(jié)構(gòu)化數(shù)據(jù)構(gòu)建知識(shí)圖 71
3.2.3  使用NLP從非結(jié)構(gòu)化數(shù)據(jù)構(gòu)建知識(shí)圖 72
3.2.4　從Wikidata向知識(shí)圖添加上下文 78
3.2.5　通過(guò)語(yǔ)義圖增強(qiáng)知識(shí)圖 85
3.3　基于圖的搜索 86
3.3.1　搜索方法 87
3.3.2　手動(dòng)建立Cypher查詢(xún) 89
3.3.3　自動(dòng)實(shí)現(xiàn)從英語(yǔ)到Cypher的翻譯 89
3.4  推薦引擎 94
3.4.1  產(chǎn)品相似性推薦 95
3.4.2　社交推薦 98
3.5  小結(jié) 100
3.6  思考題 100
3.7  延伸閱讀 100
第2篇  圖  算  法
第4章  Graph Data Science庫(kù)和路徑查找 105
4.1  技術(shù)要求 105
4.2  關(guān)于GDS插件 106
4.2.1  使用自定義函數(shù)和過(guò)程擴(kuò)展Neo4j 106
4.2.2　GDS庫(kù)內(nèi)容 108
4.2.3　定義投影圖 109
4.2.4  將結(jié)果流式傳輸或?qū)懟氐綀D 112
4.3  通過(guò)應(yīng)用了解短路徑算法的重要性 114
4.3.1  網(wǎng)絡(luò)內(nèi)的路由 114
4.3.2　其他應(yīng)用 115
4.4　迪杰斯特拉短路徑算法 115
4.4.1　理解算法 116
4.4.2　在Neo4j中使用短路徑算法 124
4.4.3　理解關(guān)系方向 130
4.5　使用A*算法查找短路徑 133
4.5.1　算法原理 133
4.5.2　在Neo4j GDS插件中使用A*算法 134
4.6　在GDS插件中發(fā)現(xiàn)其他與路徑相關(guān)的算法 135
4.6.1　K條短路徑算法 135
4.6.2　單源短路徑算法 136
4.6.3　全對(duì)短路徑算法 138
4.7　使用圖優(yōu)化流程 139
4.7.1　旅行商問(wèn)題 140
4.7.2  生成樹(shù) 141
4.8  小結(jié) 145
4.9  思考題 145
4.10  延伸閱讀 146
第5章  空間數(shù)據(jù) 147
5.1  技術(shù)要求 147
5.2  表示空間屬性 148
5.2.1  理解地理坐標(biāo)系 148
5.2.2  使用Neo4j內(nèi)置的空間類(lèi)型 151
5.3　使用neo4j-spatial在Neo4j中創(chuàng)建幾何層 154
5.3.1　引入neo4j-spatial庫(kù) 154
5.3.2　創(chuàng)建點(diǎn)的空間層 156
5.3.3　定義空間數(shù)據(jù)的類(lèi)型 157
5.3.4　創(chuàng)建包含多邊形幾何體的層 157
5.4　執(zhí)行空間查詢(xún) 160
5.4.1　尋找兩個(gè)空間對(duì)象之間的距離 160
5.4.2　查找其他對(duì)象中包含的對(duì)象 161
5.5　根據(jù)距離查找短路徑 162
5.5.1　導(dǎo)入數(shù)據(jù) 162
5.5.2　準(zhǔn)備數(shù)據(jù) 164
5.5.3　運(yùn)行短路徑算法 166
5.6　使用Neo4j可視化空間數(shù)據(jù) 171
5.6.1　NeoMap—用于空間數(shù)據(jù)的Neo4j Desktop應(yīng)用程序 172
5.6.2　使用JavaScript Neo4j驅(qū)動(dòng)程序可視化短路徑 174
5.7  小結(jié) 178
5.8  思考題 179
5.9  延伸閱讀 179
第6章  節(jié)點(diǎn)重要性 181
6.1  技術(shù)要求 181
6.2  定義重要性 182
6.2.1  受歡迎程度和信息傳播 182
6.2.2  關(guān)鍵或橋接節(jié)點(diǎn) 183
6.3  計(jì)算度中心性 184
6.3.1  度中心性公式 184
6.3.2  在Neo4j中計(jì)算度中心性 186
6.4　理解PageRank算法 190
6.4.1　構(gòu)建公式 190
6.4.2　在示例圖上運(yùn)行算法 192
6.4.3　使用Python實(shí)現(xiàn)PageRank算法 194
6.4.4　在Neo4j中使用GDS評(píng)估PageRank中心性 196
6.4.5　比較度中心性和PageRank結(jié)果 196
6.4.6  變體 197
6.5  基于路徑的中心性指標(biāo) 201
6.5.1  接近度中心性 202
6.5.2　中介中心性 205
6.5.3　比較中心性指標(biāo) 206
6.6　將中心性算法應(yīng)用于欺詐檢測(cè) 208
6.6.1  使用Neo4j檢測(cè)欺詐 208
6.6.2  使用中心性指標(biāo)評(píng)估欺詐 209
6.6.3  中心性算法的其他應(yīng)用 212
6.7  小結(jié) 213
6.8  思考題 213
6.9  延伸閱讀 213
第7章  社區(qū)檢測(cè)和相似性度量 215
7.1  技術(shù)要求 215
7.2  社區(qū)檢測(cè)及其應(yīng)用 216
7.2.1  識(shí)別節(jié)點(diǎn)聚類(lèi) 216
7.2.2  社區(qū)檢測(cè)方法的應(yīng)用 217
7.2.3　社區(qū)檢測(cè)技術(shù)的簡(jiǎn)單總結(jié) 219
7.3　檢測(cè)圖組件并可視化社區(qū) 220
7.3.1　弱連接組件 222
7.3.2　強(qiáng)連接組件 223
7.3.3　在圖中寫(xiě)入GDS結(jié)果 224
7.3.4　使用neovis.js可視化圖 226
7.3.5　使用NEuler 228
7.4　運(yùn)行標(biāo)簽傳播算法 231
7.4.1　定義標(biāo)簽傳播 231
7.4.2　在Python中實(shí)現(xiàn)標(biāo)簽傳播 233
7.4.3  使用GDS中的標(biāo)簽傳播算法 235
7.4.4  將結(jié)果寫(xiě)入圖 237
7.5  了解Louvain算法 238
7.5.1  定義模塊度 238
7.5.2　重現(xiàn)Louvain算法的步驟 240
7.5.3　GDS中的Louvain算法 241
7.5.4　中間步驟 243
7.5.5　Zachary的空手道俱樂(lè)部圖算法比較示例 244
7.6　Louvain算法的局限性和重疊社區(qū)檢測(cè) 245
7.6.1　Louvain算法的局限性 245
7.6.2　Louvain算法的替代方案 247
7.6.3　重疊社區(qū)檢測(cè) 247
7.6.4　動(dòng)態(tài)網(wǎng)絡(luò) 248
7.7　測(cè)量節(jié)點(diǎn)之間的相似性 249
7.7.1　基于集合的相似性 249
7.7.2　基于向量的相似性 253
7.8  小結(jié) 255
7.9  思考題 256
7.10  延伸閱讀 256
第3篇  基于圖的機(jī)器學(xué)習(xí)
第8章  在機(jī)器學(xué)習(xí)中使用基于圖的特征 259
8.1  技術(shù)要求 259
8.2  構(gòu)建數(shù)據(jù)科學(xué)項(xiàng)目 260
8.2.1  問(wèn)題定義—提出正確的問(wèn)題 261
8.2.2　本章引入的問(wèn)題 263
8.2.3　獲取和清洗數(shù)據(jù) 263
8.2.4　特征工程 273
8.2.5　構(gòu)建模型 274
8.3  基于圖的機(jī)器學(xué)習(xí)步驟 278
8.3.1  建立（知識(shí)）圖 279
8.3.2　提取基于圖的特征 284
8.4　通過(guò)Pandas和scikit-learn使用基于圖的特征 285
8.4.1  創(chuàng)建投影圖 285
8.4.2  運(yùn)行一種或多種算法 286
8.4.3  刪除投影圖 286
8.4.4  提取數(shù)據(jù) 286
8.5　使用Neo4j Python驅(qū)動(dòng)程序自動(dòng)創(chuàng)建基于圖的特征 287
8.5.1　發(fā)現(xiàn)Neo4j Python驅(qū)動(dòng)程序 287
8.5.2　使用Python自動(dòng)創(chuàng)建基于圖的特征 290
8.5.3　將數(shù)據(jù)從Neo4j導(dǎo)出到Pandas 296
8.5.4　訓(xùn)練scikit-learn模型 298
8.6  小結(jié) 301
8.7  思考題 302
8.8  延伸閱讀 302
第9章  預(yù)測(cè)關(guān)系 303
9.1  技術(shù)要求 303
9.2  使用鏈接預(yù)測(cè)的原因 304
9.2.1  動(dòng)態(tài)圖 304
9.2.2  應(yīng)用領(lǐng)域 305
9.3　使用Neo4j創(chuàng)建鏈接預(yù)測(cè)指標(biāo) 309
9.3.1　基于社區(qū)的指標(biāo) 310
9.3.2　與路徑相關(guān)的指標(biāo) 311
9.3.3　使用局部鄰居信息 313
9.3.4　其他指標(biāo) 315
9.4  使用ROC曲線(xiàn)建立鏈接預(yù)測(cè)模型 315
9.4.1  將數(shù)據(jù)導(dǎo)入Neo4j 316
9.4.2  拆分圖并計(jì)算每條邊的分?jǐn)?shù) 317
9.4.3  衡量二元分類(lèi)模型的性能 318
9.4.4  使用scikit-learn建立更復(fù)雜的模型 329
9.4.5  將鏈接預(yù)測(cè)結(jié)果保存到Neo4j中 329
9.4.6  預(yù)測(cè)二分圖中的關(guān)系 330
9.5  小結(jié) 334
9.6  思考題 334
9.7  延伸閱讀 334
第10章  圖嵌入—從圖到矩陣 337
10.1  技術(shù)要求 337
10.2  關(guān)于圖嵌入 338
10.2.1  嵌入的意義 338
10.2.2　圖嵌入技術(shù)概述 343
10.3　基于鄰接矩陣的嵌入算法 344
10.3.1　鄰接矩陣和圖拉普拉斯算子 345
10.3.2　特征向量嵌入 345
10.3.3　局部線(xiàn)性嵌入 345
10.3.4　基于相似度的嵌入 346
10.3.5　高階鄰近保留嵌入 346
10.3.6　使用Python計(jì)算節(jié)點(diǎn)嵌入向量 347
10.4　從人工神經(jīng)網(wǎng)絡(luò)中提取嵌入向量 351
10.4.1　人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 351
10.4.2  Skip-Gram模型 354
10.4.3　DeepWalk節(jié)點(diǎn)嵌入算法 357
10.5　圖神經(jīng)網(wǎng)絡(luò) 362
10.5.1　擴(kuò)展CNN和RNN的原理以構(gòu)建GNN 362
10.5.2　消息傳播和匯總 363
10.5.3　GNN的應(yīng)用 364
10.5.4　在實(shí)踐中使用GNN 366
10.6　圖算法的發(fā)展 367
10.7  小結(jié) 368
10.8  思考題 369
10.9  延伸閱讀 369
第4篇  生產(chǎn)環(huán)境中的Neo4j
第11章  在Web應(yīng)用程序中使用Neo4j 373
11.1  技術(shù)要求 373
11.2  使用Python和圖對(duì)象映射器創(chuàng)建全棧Web應(yīng)用程序 373
11.2.1  關(guān)于neomodel 374
11.2.2　使用Flask和neomodel構(gòu)建Web應(yīng)用程序 379
11.3　通過(guò)示例了解GraphQL API 388
11.3.1　端點(diǎn) 389
11.3.2　返回的屬性 390
11.3.3　查詢(xún)參數(shù) 391
11.3.4　突變 393
11.4　使用GRANDstack開(kāi)發(fā)React應(yīng)用程序 394
11.4.1　關(guān)于GRANDstack 394
11.4.2  創(chuàng)建API 395
11.4.3　關(guān)于突變 399
11.4.4　構(gòu)建用戶(hù)界面 402
11.5  小結(jié) 410
11.6  思考題 410
11.7  延伸閱讀 411
第12章  Neo4j擴(kuò)展 413
12.1  技術(shù)要求 413
12.2  衡量GDS性能 413
12.2.1  通過(guò)估算過(guò)程估算內(nèi)存使用量 414
12.2.2　估計(jì)算法的內(nèi)存使用量 416
12.2.3　使用stats運(yùn)行模式 417
12.2.4　測(cè)量某些算法的時(shí)間性能 417
12.3　為大數(shù)據(jù)配置Neo4j 4.0 418
12.3.1　Neo4j 4.0之前的設(shè)置 418
12.3.2　Neo4j 4.0分片技術(shù) 419
12.4  小結(jié) 423