相似度量是用于生成个性化推荐的重要组件，这些推荐允许我们量化两个项目的相似程度（或者我们稍后会看到，两个用户偏好的相似程度）。
Jaccard指数是0到1之间的数字，表示两组的相似程度。
两个相同集合的Jaccard指数是1.
如果两个集合没有公共元素，则Jaccard索引为0.
通过将两个集合的交集的大小除以两个集合的并集来计算Jaccard。
我们可以计算电影类型集的Jaccard指数，以确定两部电影的相似程度。
哪些电影是跟《盗梦空间》基于Jaccard指数最相似的？
MATCH (m:Movie {title: "Inception"})-[:IN_GENRE]->(g:Genre)<-[:IN_GENRE]-(other:Movie)
WITH m, other, COUNT(g) AS intersection, COLLECT(g.name) AS i
MATCH (m)-[:IN_GENRE]->(mg:Genre)
WITH m,other, intersection,i, COLLECT(mg.name) AS s1
MATCH (other)-[:IN_GENRE]->(og:Genre)
WITH m,other,intersection,i, s1, COLLECT(og.name) AS s2
WITH m,other,intersection,s1,s2
WITH m,other,intersection,s1+filter(x IN s2 WHERE NOT x IN s1) AS union, s1, s2
RETURN m.title, other.title, s1,s2,((1.0*intersection)/SIZE(union)) AS jaccard ORDER BY jaccard DESC LIMIT 100
分析：
首先查询出电影盗梦空间和与它流派相关性的电影集other
count(g) 其实就是电影盗梦空间和电影集other 的流派交集的数量（共同的流派）3.
s1+filter(x IN s2 WHERE NOT x IN s1) AS union 此 union 即是s1 和 s2 的并集（集合s1 加上 s2中不包含s1 的那部分）
((1.0*intersection)/SIZE(union)) AS jaccard 根据上面的Jaccard指数公式计算所得的指数。
运算结果如下：
我们可以将这个相同的方法应用于电影的所有特征（如流派、演员、导演等）：
MATCH (m:Movie {title: "Inception"})-[:IN_GENRE|:ACTED_IN|:DIRECTED]-(t)<-[:IN_GENRE|:ACTED_IN|:DIRECTED]-(other:Movie)
WITH m, other, COUNT(t) AS intersection, COLLECT(t.name) AS i
MATCH (m)-[:IN_GENRE|:ACTED_IN|:DIRECTED]-(mt)
WITH m,other, intersection,i, COLLECT(mt.name) AS s1
MATCH (other)-[:IN_GENRE|:ACTED_IN|:DIRECTED]-(ot)
WITH m,other,intersection,i, s1, COLLECT(ot.name) AS s2
WITH m,other,intersection,s1,s2
WITH m,other,intersection,s1+filter(x IN s2 WHERE NOT x IN s1) AS union, s1, s2
RETURN m.title, other.title, s1,s2,((1.0*intersection)/SIZE(union)) AS jaccard ORDER BY jaccard DESC LIMIT 100
Neo4j 做推荐 （1）—— 基础数据
Neo4j 做推荐 （2）—— 基于内容的过滤
Neo4j 做推荐 （3）—— 协同过滤
Neo4j 做推荐 （4）—— 基于内容的过滤（续）
Neo4j 做推荐 （5）—— 基于类型的个性化建议
Neo4j 做推荐 （6）—— 加权内容算法
Neo4j 做推荐 （7）—— 基于内容的相似度量标准
Neo4j 做推荐 （8）—— 协同过滤（利用电影评级）
Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）
Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）
Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）
Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）