GraphWay的博客

1、概述Barabási和Albert(1999)的“富者更富”（Rich get richer）生成模型(BA模型)最被熟知的无标度网络子集的生成模型。它让每个网页根据一个非均匀的概率分布与已有网页建立连接，这个概率分布与当前网页的入度数成比例。根据这个过程，拥有更多入度的的网页相较一般网页会吸引更多的链接。这样的机制会产生“幂律”(Power Law)。 和无标度网络相关的另外一个耳熟能详的名词是“长尾效应”。 无标度网络(scale-free network)是...

本系列的前二篇请参见：Neo4j 图数据科学应用 - 图目录和图投影（二）8. 以数据流方式返回节点属性我们可以将存储在命名内存图中的节点属性流式传输回用户。 如果我们在mutate模式下运行多个算法并想要检索部分或全部结果，这将非常有用。 这类似于stream执行模式的作用，但允许对操作进行更细粒度的控制。CALL gds.graph.streamNodeProperties('my-graph', ['componentId', 'pageRank', 'communityId

3. 在目录中列出图表可以使用gds.graph.list()过程列出有关目录中图的信息，该过程采用一个可选参数graphName：如果给出图名称，则仅列出该图的信息。 如果没有给出图名称，将列出所有图的信息。 如果给出了图名称但未在目录中找到，则将返回一个空列表。CALL gds.graph.list( graphName: String?) YIELD graphName, database, nodeProjection, relationshipProjec..

作者：Alicia Frame（Neo4j 数据科学首席产品经理）

Neo4j新发布监督式机器学习工作流作者：Amy Holder, Alicia Frame from Neo4j就在几个月前，我们宣布了在Neo4j数据库中具有图嵌入和ML模型目录的、基于图的机器学习。 对于大多数人（当然也包括我们）来说，将最先进的机器学习应用于图非常令人兴奋，我们也为社区部署的既有创意又丰富的应用感到特别振奋。今天，我们宣布推出GDS 1.5版本，该版本将为您带来更多您喜欢的功能：新算法、更多的机器学习功能以及更简易高效的生产环境部署！在最新版的Neo4j图数据.

(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）.