Neo4j Graph Database Fundamentals · Lektion

Empfehlungssysteme entwickeln

Verstehen Sie, wie Neo4j leistungsfähige Empfehlungssysteme ermöglicht, indem Verbindungen zwischen Benutzern und Objekten genutzt werden.

Empfehlungssysteme entwickeln ist eine kostenlose Neo4j Graph Database Fundamentals-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Neo4j Graph Database Fundamentals-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Neo4j Graph Database Fundamentals-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

What are Recommendations?

Have you ever noticed how streaming services suggest your next show, or online stores recommend products you might like? This magic comes from recommendation engines.

These systems analyze user behavior and item attributes to predict what a user will be interested in. Their goal is to enhance user experience and drive engagement.

Graphs & Recommendations

Graph databases like Neo4j are uniquely suited for building recommendation engines because they excel at modeling and querying connections.

Recommendations are all about relationships: users like items, users are similar to other users, items are related to other items. A graph naturally represents these connections.

Modeling User-Item Data

In Neo4j, we model users and items as nodes, and their interactions as relationships.

User Nodes: Represent individuals (e.g., (:User {name: 'Alice'})).
Item Nodes: Represent products, movies, articles (e.g., (:Movie {title: 'The Matrix'})).
Interaction Relationships: Connect users and items (e.g., -[:LIKES]->, -[:BOUGHT]->, -[:RATED {score: 5}]->).

Initial Recs Data

Let's create a small graph to demonstrate. We'll have users, movies, and LIKES relationships.

This simple model allows us to easily traverse connections to find recommendations.

CREATE (:User {name: 'Alice'})-[:LIKES]->(:Movie {title: 'Inception'})
CREATE (:User {name: 'Alice'})-[:LIKES]->(:Movie {title: 'The Matrix'})
CREATE (:User {name: 'Bob'})-[:LIKES]->(:Movie {title: 'The Matrix'})
CREATE (:User {name: 'Bob'})-[:LIKES]->(:Movie {title: 'Interstellar'})
CREATE (:User {name: 'Charlie'})-[:LIKES]->(:Movie {title: 'Inception'})
CREATE (:User {name: 'Charlie'})-[:LIKES]->(:Movie {title: 'Interstellar'})

Item-Based Recommendations

An item-based recommendation suggests items that are similar to what a user already likes. The idea is: 'users who liked this item, also liked that item.'

We find items frequently liked together by the same users. This is great for suggesting related products or content.

Cypher: Item-Based Recs

Let's find movies similar to 'The Matrix' based on other users' likes.

We look for users who liked 'The Matrix', and then see what other movies *those same users* liked.

MATCH (m1:Movie {title: 'The Matrix'})<-[:LIKES]-(u:User)-[:LIKES]->(m2:Movie)
WHERE m1 <> m2
RETURN m2.title AS RecommendedMovie, count(DISTINCT u) AS LikedBySameUsers
ORDER BY LikedBySameUsers DESC
LIMIT 3

User-Based Recommendations

User-based recommendation suggests items that similar users have liked. The core idea is: 'people like you liked these items.'

We first identify users with similar tastes, and then recommend items that those similar users liked but the current user hasn't seen yet.

Cypher: User-Based Recs

Let's find movies 'Alice' might like, based on users similar to her.

We find users who liked movies Alice liked, then recommend movies *they* liked but Alice hasn't.

MATCH (alice:User {name: 'Alice'})-[:LIKES]->(m:Movie)<-[:LIKES]-(otherUser:User)
WHERE alice <> otherUser
WITH otherUser, collect(m) AS commonMovies
MATCH (otherUser)-[:LIKES]->(recommendedMovie:Movie)
WHERE NOT (alice)-[:LIKES]->(recommendedMovie)
RETURN recommendedMovie.title AS RecommendedMovie, count(DISTINCT otherUser) AS LikedBySimilarUsers
ORDER BY LikedBySimilarUsers DESC
LIMIT 3

Enhancing Recommendations

Recommendation engines can be made more sophisticated by incorporating more data:

Ratings: Use -[:RATED {score: 4}]-> to capture preference intensity.
Content Attributes: Link movies by -[:HAS_GENRE]-> or products by -[:IS_CATEGORY]->.
Timestamps: Factor in recent interactions for freshness.

These enrich the graph for more relevant suggestions.

Recommendation Query Check

Consider a graph with (:User)-[:WATCHED]->(:Movie) relationships. Which of the following Cypher patterns could be part of a query to find movies watched by users similar to 'Bob', but not yet watched by 'Bob'?

Recap: Recommendation Engines

In this lesson, you learned how Neo4j is ideal for building recommendation engines due to its relationship-first nature.

We modeled users, items, and their interactions as nodes and relationships.
You explored both item-based and user-based recommendation strategies using practical Cypher queries.
You also saw how to enrich your graph model for more sophisticated recommendations.

Graph databases simplify complex recommendation logic, making it intuitive and performant!

Häufig gestellte Fragen

Ist die Lektion „Empfehlungssysteme entwickeln“ kostenlos?

Ja — der vollständige Text von „Empfehlungssysteme entwickeln“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Neo4j Graph Database Fundamentals-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Neo4j Graph Database Fundamentals-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Empfehlungssysteme entwickeln“?

Verstehen Sie, wie Neo4j leistungsfähige Empfehlungssysteme ermöglicht, indem Verbindungen zwischen Benutzern und Objekten genutzt werden. Du übst Neo4j Graph Database Fundamentals mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Neo4j Graph Database Fundamentals zu starten?

Keine Vorkenntnisse erforderlich. Neo4j Graph Database Fundamentals auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.

Wie lange dauert die Lektion „Empfehlungssysteme entwickeln“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Neo4j Graph Database Fundamentals-Lektion Code schreiben und ausführen?

Ja. Jede Neo4j Graph Database Fundamentals-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Neo4j Graph Database Fundamentals