Neo4j圖譜分析實戰(zhàn)

第1篇  使用Neo4j進行圖建模
第1章  圖數(shù)據(jù)庫 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 12
1.2.1  數(shù)據(jù)庫模型 12
1.2.2  SQL和連接 13
1.2.3  關系關乎一切 15
1.3  關于Neo4j 15
1.3.1  構建塊 16
1.3.2　從SQL到Neo4j的轉換 18
1.3.3  Neo4j用例 19
1.4  理解圖屬性 19
1.4.1  有向圖與無向圖 19
1.4.2  加權圖與無權圖 20
1.4.3  有環(huán)圖與無環(huán)圖 21
1.4.4  稀疏圖與稠密圖 21
1.4.5  連通圖與斷開圖 22
1.5  在Neo4j中對圖進行建模的注意事項 23
1.5.1  關系取向 23
1.5.2  節(jié)點和屬性的區(qū)別 24
1.6  小結 24
1.7  延伸閱讀 25
第2章  Cypher查詢語言 27
2.1  技術要求 27
2.2  創(chuàng)建節(jié)點和關系 28
2.2.1  使用Neo4j Desktop管理數(shù)據(jù)庫 28
2.2.2  創(chuàng)建節(jié)點 29
2.2.3  選擇節(jié)點 31
2.2.4　創(chuàng)建關系 32
2.2.5　選擇關系 33
2.2.6　MERGE關鍵字 34
2.3　更新和刪除節(jié)點和關系 35
2.3.1　更新對象 35
2.3.2　刪除對象 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　計數(shù)、求和和平均值 44
2.5.2　創(chuàng)建對象列表 45
2.5.3　取消嵌套對象 45
2.6　從CSV或JSON導入數(shù)據(jù) 46
2.6.1　從Cypher導入數(shù)據(jù) 46
2.6.2　從命令行導入數(shù)據(jù) 53
2.6.3　APOC導入工具 54
2.6.4  導入方法小結 60
2.7  評估性能并提高查詢速度 60
2.7.1  Cypher查詢計劃器 60
2.7.2  Neo4j索引 62
2.7.3  關于LOAD CSV的再討論 62
2.7.4  “朋友的朋友”示例 64
2.8  小結 66
2.9  思考題 66
2.10  延伸閱讀 67
 
第3章  使用純Cypher 69
3.1  技術要求 69
3.2  知識圖 70
3.2.1  嘗試給知識圖一個定義 70
3.2.2  從結構化數(shù)據(jù)構建知識圖 71
3.2.3  使用NLP從非結構化數(shù)據(jù)構建知識圖 72
3.2.4　從Wikidata向知識圖添加上下文 78
3.2.5　通過語義圖增強知識圖 85
3.3　基于圖的搜索 86
3.3.1　搜索方法 87
3.3.2　手動建立Cypher查詢 89
3.3.3　自動實現(xiàn)從英語到Cypher的翻譯 89
3.4  推薦引擎 94
3.4.1  產品相似性推薦 95
3.4.2　社交推薦 98
3.5  小結 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庫和路徑查找 105
4.1  技術要求 105
4.2  關于GDS插件 106
4.2.1  使用自定義函數(shù)和過程擴展Neo4j 106
4.2.2　GDS庫內容 108
4.2.3　定義投影圖 109
4.2.4  將結果流式傳輸或寫回到圖 112
4.3  通過應用了解短路徑算法的重要性 114
4.3.1  網(wǎng)絡內的路由 114
4.3.2　其他應用 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　全對短路徑算法 138
4.7　使用圖優(yōu)化流程 139
4.7.1　旅行商問題 140
4.7.2  生成樹 141
4.8  小結 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  技術要求 147
5.2  表示空間屬性 148
5.2.1  理解地理坐標系 148
5.2.2  使用Neo4j內置的空間類型 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 154
5.3.2　創(chuàng)建點的空間層 156
5.3.3　定義空間數(shù)據(jù)的類型 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 160
5.4.1　尋找兩個空間對象之間的距離 160
5.4.2　查找其他對象中包含的對象 161
5.5　根據(jù)距離查找短路徑 162
5.5.1　導入數(shù)據(jù) 162
5.5.2　準備數(shù)據(jù) 164
5.5.3　運行短路徑算法 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應用程序 172
5.6.2　使用JavaScript Neo4j驅動程序可視化短路徑 174
5.7  小結 178
5.8  思考題 179
5.9  延伸閱讀 179
第6章  節(jié)點重要性 181
6.1  技術要求 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  關鍵或橋接節(jié)點 183
6.3  計算度中心性 184
6.3.1  度中心性公式 184
6.3.2  在Neo4j中計算度中心性 186
6.4　理解PageRank算法 190
6.4.1　構建公式 190
6.4.2　在示例圖上運行算法 192
6.4.3　使用Python實現(xiàn)PageRank算法 194
6.4.4　在Neo4j中使用GDS評估PageRank中心性 196
6.4.5　比較度中心性和PageRank結果 196
6.4.6  變體 197
6.5  基于路徑的中心性指標 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 206
6.6　將中心性算法應用于欺詐檢測 208
6.6.1  使用Neo4j檢測欺詐 208
6.6.2  使用中心性指標評估欺詐 209
6.6.3  中心性算法的其他應用 212
6.7  小結 213
6.8  思考題 213
6.9  延伸閱讀 213
第7章  社區(qū)檢測和相似性度量 215
7.1  技術要求 215
7.2  社區(qū)檢測及其應用 216
7.2.1  識別節(jié)點聚類 216
7.2.2  社區(qū)檢測方法的應用 217
7.2.3　社區(qū)檢測技術的簡單總結 219
7.3　檢測圖組件并可視化社區(qū) 220
7.3.1　弱連接組件 222
7.3.2　強連接組件 223
7.3.3　在圖中寫入GDS結果 224
7.3.4　使用neovis.js可視化圖 226
7.3.5　使用NEuler 228
7.4　運行標簽傳播算法 231
7.4.1　定義標簽傳播 231
7.4.2　在Python中實現(xiàn)標簽傳播 233
7.4.3  使用GDS中的標簽傳播算法 235
7.4.4  將結果寫入圖 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 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 247
7.6.4　動態(tài)網(wǎng)絡 248
7.7　測量節(jié)點之間的相似性 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 255
7.9  思考題 256
7.10  延伸閱讀 256
第3篇  基于圖的機器學習
第8章  在機器學習中使用基于圖的特征 259
8.1  技術要求 259
8.2  構建數(shù)據(jù)科學項目 260
8.2.1  問題定義—提出正確的問題 261
8.2.2　本章引入的問題 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　構建模型 274
8.3  基于圖的機器學習步驟 278
8.3.1  建立（知識）圖 279
8.3.2　提取基于圖的特征 284
8.4　通過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驅動程序自動創(chuàng)建基于圖的特征 287
8.5.1　發(fā)現(xiàn)Neo4j Python驅動程序 287
8.5.2　使用Python自動創(chuàng)建基于圖的特征 290
8.5.3　將數(shù)據(jù)從Neo4j導出到Pandas 296
8.5.4　訓練scikit-learn模型 298
8.6  小結 301
8.7  思考題 302
8.8  延伸閱讀 302
第9章  預測關系 303
9.1  技術要求 303
9.2  使用鏈接預測的原因 304
9.2.1  動態(tài)圖 304
9.2.2  應用領域 305
9.3　使用Neo4j創(chuàng)建鏈接預測指標 309
9.3.1　基于社區(qū)的指標 310
9.3.2　與路徑相關的指標 311
9.3.3　使用局部鄰居信息 313
9.3.4　其他指標 315
9.4  使用ROC曲線建立鏈接預測模型 315
9.4.1  將數(shù)據(jù)導入Neo4j 316
9.4.2  拆分圖并計算每條邊的分數(shù) 317
9.4.3  衡量二元分類模型的性能 318
9.4.4  使用scikit-learn建立更復雜的模型 329
9.4.5  將鏈接預測結果保存到Neo4j中 329
9.4.6  預測二分圖中的關系 330
9.5  小結 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  技術要求 337
10.2  關于圖嵌入 338
10.2.1  嵌入的意義 338
10.2.2　圖嵌入技術概述 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計算節(jié)點嵌入向量 347
10.4　從人工神經網(wǎng)絡中提取嵌入向量 351
10.4.1　人工神經網(wǎng)絡簡介 351
10.4.2  Skip-Gram模型 354
10.4.3　DeepWalk節(jié)點嵌入算法 357
10.5　圖神經網(wǎng)絡 362
10.5.1　擴展CNN和RNN的原理以構建GNN 362
10.5.2　消息傳播和匯總 363
10.5.3　GNN的應用 364
10.5.4　在實踐中使用GNN 366
10.6　圖算法的發(fā)展 367
10.7  小結 368
10.8  思考題 369
10.9  延伸閱讀 369
第4篇  生產環(huán)境中的Neo4j
第11章  在Web應用程序中使用Neo4j 373
11.1  技術要求 373
11.2  使用Python和圖對象映射器創(chuàng)建全棧Web應用程序 373
11.2.1  關于neomodel 374
11.2.2　使用Flask和neomodel構建Web應用程序 379
11.3　通過示例了解GraphQL API 388
11.3.1　端點 389
11.3.2　返回的屬性 390
11.3.3　查詢參數(shù) 391
11.3.4　突變 393
11.4　使用GRANDstack開發(fā)React應用程序 394
11.4.1　關于GRANDstack 394
11.4.2  創(chuàng)建API 395
11.4.3　關于突變 399
11.4.4　構建用戶界面 402
11.5  小結 410
11.6  思考題 410
11.7  延伸閱讀 411
第12章  Neo4j擴展 413
12.1  技術要求 413
12.2  衡量GDS性能 413
12.2.1  通過估算過程估算內存使用量 414
12.2.2　估計算法的內存使用量 416
12.2.3　使用stats運行模式 417
12.2.4　測量某些算法的時間性能 417
12.3　為大數(shù)據(jù)配置Neo4j 4.0 418
12.3.1　Neo4j 4.0之前的設置 418
12.3.2　Neo4j 4.0分片技術 419
12.4  小結 423