Neo4j图分析—链接预测算法(Link Prediction Algorithms)

链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边, 或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。
The Adamic Adar algorithm (algo.linkprediction.adamicAdar)
Adamic Adar是一种基于节点之间共同邻居的亲密度测算方法。2003年由 Lada Adamic 和 Eytan Adar t在 predict links in a social network中提出的,计算亲密度的公式如下:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第1张图片
formula

其中N(u)是与节点u相邻的节点集合。A(x,y)为0表明节点x和y不接近,该值越高表明两个节点间的亲密度越大。Neo4j-algo包提供了该算法的具体实现,下面我们可以看一个例子。
创建节点和边:

MERGE (zhen:Person {name: "Zhen"})
MERGE (praveena:Person {name: "Praveena"})
MERGE (michael:Person {name: "Michael"})
MERGE (arya:Person {name: "Arya"})
MERGE (karin:Person {name: "Karin"})

MERGE (zhen)-[:FRIENDS]-(arya)
MERGE (zhen)-[:FRIENDS]-(praveena)
MERGE (praveena)-[:WORKS_WITH]-(karin)
MERGE (praveena)-[:FRIENDS]-(michael)
MERGE (michael)-[:WORKS_WITH]-(karin)
MERGE (arya)-[:FRIENDS]-(karin)

创建完成之后的图结构如下:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第2张图片
graph

计算两个指定节点之间的亲密度:

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.adamicAdar(p1, p2) AS score

计算结果如下所示:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第3张图片
score

另外,我们还可以基于特定的关系类型和关系指向,计算一对节点之间的亲密度。

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.adamicAdar(p1, p2, {relationshipQuery: "FRIENDS",
 direction: "BOTH"}) AS score

计算结果如下:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第4张图片
score

Common Neighbors (algo.linkprediction.commonNeighbors)
  相同邻居,顾名思义,指的是两个节点同时关联的节点、数量。
计算公式如下:
在这里插入图片描述
formula

其中N(x)是与节点x相邻的节点集合,N(y)是与节点y相邻的节点集合,相同邻居指的是两个集合的交集。该值越高表明两个节点之间亲密度越高。当节点x和节点y不相邻时,该值为0。
还使用上面的数据集合,则计算两个节点的相同邻居的代码如下:

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.commonNeighbors(p1, p2) AS score

结果如下:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第5张图片
image.png

同样的,该度量方法也可以指定关系的类型和关系的方向,这里不再赘述。

Preferential Attachment (algo.linkprediction.preferentialAttachment)
  优先连接依赖于两个节点的连接数,如果两个节点的连接数都很大,标签该节点对被连接的概率越大。计算公式如下:
在这里插入图片描述
image.png

其中N(u)是与节点u相邻的节点集合。该值为0表明节点x和y不接近,该值越高表明两个节点间的亲密度越大。示例如下:

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.preferentialAttachment(p1, p2) AS score

Resource Allocation (algo.linkprediction.resourceAllocation)

资源分配算法公式如下:
Neo4j图分析—链接预测算法(Link Prediction Algorithms)_第6张图片
image.png

其中N(u)是与节点u相邻的节点集合。该值为0表明节点x和y不接近,该值越高表明两个节点间的亲密度越大。示例如下:

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.resourceAllocation(p1, p2) AS score

Total Neighbors (algo.linkprediction.totalNeighbors)
总邻居数指的是两个相邻节点之间的总邻居数,计算公式如下:
在这里插入图片描述
image.png

其中N(u)是与节点u相邻的节点集合。该值为0表明节点x和y不接近,该值越高表明两个节点间的亲密度越大。示例如下:

MATCH (p1:Person {name: 'Michael'})
MATCH (p2:Person {name: 'Karin'})
RETURN algo.linkprediction.totalNeighbors(p1, p2) AS score

参考:

https://neo4j.com/docs/graph-algorithms/3.5/algorithms/linkprediction/

作者:圈圈_Master
链接:https://www.jianshu.com/p/68db935cb008
来源:简书

你可能感兴趣的:(Neo4j图分析—链接预测算法(Link Prediction Algorithms))