基于属性图的原生图计算和学习 - Neo4j GDS介绍

最新推荐文章于 2025-04-12 18:55:51 发布

原创

最新推荐文章于 2025-04-12 18:55:51 发布 · 3.7k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#图数据库 #机器学习 #neo4j #算法 #开源

本文介绍了Neo4j的Graph Data Science (GDS) 1.4版本，该版本引入了图嵌入和图学习功能。GDS支持Node2Vec、FastRP和GraphSAGE等图嵌入算法，提供机器学习模型目录用于存储和应用预测模型。此外，GDS还包括丰富的图算法集合，旨在推动图数据库从图查询向图学习的发展。

(本文部分内容来自Neo4j.com: https://neo4j.com/blog/announcing-graph-native-machine-learning-in-neo4j/ )

作为全球领先的图数据库平台软件开发者，Neo4j率先发布全球第一个“原生图机器学习库” GDS ：Graph Data Science 版本1.4。在这一版本中，除了增加更多图算法外，还第一次引入并实现了面向“图学习”（Graph Machine Learning）的企业级“图嵌入”（Graph Embedding）和图表示的机器学习模型算法过程。下面我们来逐一看一下GDS中到底有哪些“干货”吧。

1、原生（Native）属性图（Label PropertyGraph）

现实世界可以用属性图（Property Graph），即包含节点、边和属性的图结构来描述和存储。例如，在一个社交网络中，人、地方、活动等可以用节点来表示，人群之间的关系诸如亲属、朋友、同事等则可以用关系来表示；代表“人”的节点的属性则可以是姓名、出生年月、性别等，代表“朋友”的关系的属性则可以有“成为朋友的日期”等。

从上面的简单例子可以看出，以属性图表示复杂的网络其最大的优点是自然、简洁、易于理解；而基于原生(Native)图数据库存储和处理网络则能为图的遍历提供最佳的查询性能。在原生的图数据库中，数据以图的方式存储、查询、展现。下图对不同的存储模式做了比较。