关于Neo4j 强连通分量算法，你了解多少？

图算法提供了理解、建模和预测复杂动态的手段，例如资源或信息流、传染或网络故障传播的途径，以及对群体的影响和弹性。

本博文系列旨在帮助读者更好地利用图分析和图算法，以便能够使用 Neo4j 等图数据库更快地有效创新和开发智能解决方案。

上周我们总结了对中心性（Centrality）算法的研究，还研究了亲密中心性（Closeness Centrality） 算法。

这一周，我们开始研究社区发现（Community Detection）算法，并了解强连通分量（Strongly Connected Components，SCC）算法，该算法根据关系的方向定位节点组，其中每个节点都可以从同一组中的每个其他节点到达。通常应用于深度优先搜索。

关于强连通分量

强连通分量算法在有向图找到连接节点的集合，其中每个节点可以在两个方向上从同一集合的任何其他节点到达。通常在图分析过程中的早期使用，经常用来让我们了解图的结构。

SCC 是最早的图算法之一，Tarjan 在 1972 年描述了第一个线性时间算法。将有向图分解成强连通分量是深度优先搜寻算法的经典应用。

什么时候应该使用强连通分量？

• 在对强大的跨国公司的分析中，SCC 用于查找每个成员直接拥有和 / 或间接拥有其他成员股份的公司集合。虽然它具备诸如降低交易成本、增加信任等优点，但这种结构削弱了市场竞争。更多详情请参阅[《全球企业控制网络》（The Network of Global Corporate Control）:http://u6.gg/rDnrz](http://u6.gg/rDnrz
• 在多跳无线网络中测量路由性能时，SCC 已被用于计算不同网络配置的连接性。更多详情请参阅《多跳无线网络中存在单向链路时的路由性能》（Routing performance in the presence of unidirectional links in multihop wireless networks）：http://u6.gg/rDnun
• 强连通分量算法通常用作许多图算法的第一步，这些算法仅适用于强连接图。在社交网络中，一群人通常有密切的关系（例如，一个班级或者任何其他公共场所的学生）。这些群体中的许多人通常喜欢一些常见的网站或玩常见的游戏。SCC 算法用来找到这样的组，并向组中尚未喜欢这些网站或游戏的人群推荐这些内容。

强连通分量示例

让我们看看强连通分量算法的实际应用。以下 Cypher 语句创建了一个 Twitter 式样的图，其中包含了用户、用户之间的 FOLLOW 关系。

MERGE (nAlice:User {id:\u0026quot;Alice\u0026quot;})MERGE (nBridget:User {id:\u0026quot;Bridget\u0026quot;})MERGE (nCharles:User {id:\u0026quot;Charles\u0026quot;})MERGE (nDoug:User {id:\u0026quot;Doug\u0026quot;})MERGE (nMark:User {id:\u0026quot;Mark\u0026quot;})MERGE (nMichael:User {id:\u0026quot;Michael\u0026quot;})MERGE (nAlice)-[:FOLLOWS]-\u0026gt;(nBridget)MERGE (nAlice)-[:FOLLOWS]-\u0026gt;(nCharles)MERGE (nMark)-[:FOLLOWS]-\u0026gt;(nDoug)MERGE (nMark)-[:FOLLOWS]-\u0026gt;(nMichael)MERGE (nBridget)-[:FOLLOWS]-\u0026gt;(nMichael)MERGE (nDoug)-[:FOLLOWS]-\u0026gt;(nMark)MERGE (nMichael)-[:FOLLOWS]-\u0026gt;(nAlice)MERGE (nAlice)-[:FOLLOWS]-\u0026gt;(nMichael)MERGE (nBridget)-[:FOLLOWS]-\u0026gt;(nAlice)MERGE (nMichael)-[:FOLLOWS]-\u0026gt;(nBridget);

现在我们可以运行强连通分量来查看每个人是否相互链接，执行以下查询：

CALL algo.scc.stream(\u0026quot;User\u0026quot;,\u0026quot;FOLLOWS\u0026quot;)YIELD nodeId, partitionMATCH (u:User) WHERE id(u) = nodeIdRETURN u.id AS name, partition

强连通分量的可视化

我们的示例图中有三个强连通分量。

第一个也是最大的分量，有成员 Alice、Bridget 和 Michael，而第二个分量有 Doug 和 Mark。Charies 最终只在自己的分量中，因为从该节点到任何其他节点都之间都没有传出关系。

结论

正如我们所看到的，强连通分量算法通常用于在以识别的集群上独立运行其他算法。作为有向图的预处理步骤，它有助于快速识别断开连接的组。

原文链接：
https://neo4j.com/blog/graph-algorithms-neo4j-strongly-connected-components/