0Pricing
Neo4j Graph Database Fundamentals · Lektion

Graph-Embeddings mit GDS

Lernen Sie, wie Graph Data Science Knoten-Embeddings erzeugt, die Graphstrukturen für Machine Learning in Vektoren umwandeln.

Graph-Embeddings mit GDS ist eine kostenlose Neo4j Graph Database Fundamentals-Lektion auf CoddyKit. Dies ist Lektion 4 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.

From Graphs to Vectors

Machine learning models work with numbers, not graph topology. Graph embeddings convert each node into a fixed-length vector that captures its position and neighborhood.

Why Embeddings Help

Once nodes are vectors, you can feed them into classifiers, clustering, and similarity search. Similar nodes end up close together in vector space.

Projecting a Graph

Embeddings run on an in-memory graph projection in GDS. First project the nodes and relationships you care about.

CALL gds.graph.project(
  'embedGraph',
  'Person',
  'FRIEND'
);

FastRP

FastRP (Fast Random Projection) is a quick, scalable embedding algorithm. It is a great default for large graphs.

CALL gds.fastRP.stream('embedGraph', { embeddingDimension: 128 })
YIELD nodeId, embedding
RETURN gds.util.asNode(nodeId).name AS name, embedding
LIMIT 5;

Node2Vec

Node2Vec uses biased random walks to learn embeddings that balance local and global structure. It is slower but often richer than FastRP.

CALL gds.node2vec.stream('embedGraph', { embeddingDimension: 128, walkLength: 80 })
YIELD nodeId, embedding
RETURN nodeId, embedding
LIMIT 5;

GraphSAGE

GraphSAGE is an inductive method: it learns a function that can embed even new nodes not seen during training, using their features.

Choosing Dimensions

The embedding dimension trades expressiveness for cost. Common values are 64, 128, or 256. Larger is more detailed but heavier.

Writing Embeddings Back

Use the write mode to store embeddings as a node property, so other queries and tools can use them.

CALL gds.fastRP.write('embedGraph', {
  embeddingDimension: 128,
  writeProperty: 'embedding'
});

Using Embeddings for Similarity

With vectors stored, compute cosine similarity between embeddings to find nodes that are structurally alike.

MATCH (a:Person {name: 'Alice'}), (b:Person)
WHERE a <> b
RETURN b.name, gds.similarity.cosine(a.embedding, b.embedding) AS sim
ORDER BY sim DESC LIMIT 5;

Embeddings in ML Pipelines

Embeddings are powerful features for GDS machine learning pipelines: node classification and link prediction both benefit from them.

Choosing an Algorithm

Use FastRP for speed at scale, Node2Vec for richer structure, and GraphSAGE when you must embed unseen nodes.

Quick Check

Test your embeddings knowledge.

Recap

You learned graph embeddings in GDS:

  • Embeddings turn nodes into vectors
  • FastRP is fast and scalable
  • Node2Vec uses biased random walks
  • GraphSAGE handles unseen nodes
  • Write embeddings back and use them in ML pipelines

Häufig gestellte Fragen

Ist die Lektion „Graph-Embeddings mit GDS“ kostenlos?

Ja — der vollständige Text von „Graph-Embeddings mit GDS“ 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 „Graph-Embeddings mit GDS“?

Lernen Sie, wie Graph Data Science Knoten-Embeddings erzeugt, die Graphstrukturen für Machine Learning in Vektoren umwandeln. 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 4 von 4.

Wie lange dauert die Lektion „Graph-Embeddings mit GDS“?

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

  1. Einführung in die GDS-Bibliothek
  2. GDS-Algorithmen ausführen
  3. GDS-Pipelines und maschinelles Lernen
  4. Graph-Embeddings mit GDS
← Zurück zu Neo4j Graph Database Fundamentals