Algorithmen für Ähnlichkeit und Link Prediction
Erkunden Sie Algorithmen für Knotenähnlichkeit und Link Prediction, die verborgene Strukturen und wahrscheinliche zukünftige Verbindungen in einem Graphen sichtbar machen.
Algorithmen für Ähnlichkeit und Link Prediction 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.
Beyond Paths and Centrality
You have seen pathfinding, centrality, and community detection. Another family answers: how alike are two nodes and which connections are likely to form next?
What Is Node Similarity
Similarity algorithms score how comparable two nodes are based on the neighbors or items they share.
Two users who bought many of the same products are similar.
Jaccard Similarity
The Jaccard coefficient divides the size of the shared neighbor set by the size of the combined set. It ranges from 0 to 1.
// Jaccard = |A intersect B| / |A union B|
// 3 shared neighbors, 7 total distinct -> 0.43Running Node Similarity in GDS
The Graph Data Science library provides a node similarity procedure that compares nodes by shared relationships.
CALL gds.nodeSimilarity.stream('myGraph')
YIELD node1, node2, similarity
RETURN gds.util.asNode(node1).name AS a,
gds.util.asNode(node2).name AS b,
similarity
ORDER BY similarity DESC;Cosine and Overlap Similarity
Other measures include cosine similarity (for weighted vectors) and overlap similarity. Choose based on whether weights matter.
What Is Link Prediction
Link prediction estimates how likely two currently unconnected nodes are to connect in the future, based on graph structure.
It powers friend suggestions and product recommendations.
Common Neighbors
The simplest predictor: the more common neighbors two nodes share, the more likely they connect. Many social suggestions use this idea.
MATCH (a:Person {name: 'Alice'})-[:FRIEND]->(common)<-[:FRIEND]-(b:Person)
WHERE NOT (a)-[:FRIEND]->(b) AND a <> b
RETURN b.name, count(common) AS sharedFriends
ORDER BY sharedFriends DESC;Adamic-Adar
Adamic-Adar refines common neighbors by giving less weight to highly-connected shared neighbors, since a hub connection is less informative.
RETURN gds.alpha.linkprediction.adamicAdar(node1, node2) AS score;Preferential Attachment
Preferential attachment assumes nodes with many connections are more likely to gain more. It multiplies the degrees of the two nodes.
RETURN gds.alpha.linkprediction.preferentialAttachment(node1, node2) AS score;Choosing the Right Measure
No single measure is best. Test several against known outcomes and pick the one that predicts your real links most accurately.
Putting It to Use
Similarity and link prediction feed recommendation systems, deduplication, and network growth analysis. They turn structure into actionable suggestions.
Quick Check
Test your understanding of these algorithms.
Recap
You explored similarity and link prediction:
- Jaccard, cosine, and overlap measure node similarity
- Link prediction estimates future connections
- Common neighbors, Adamic-Adar, and preferential attachment are key predictors
- Test measures against real outcomes
Lerne Neo4j Graph Database Fundamentals mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 12
- Lektionen
- 48
Häufig gestellte Fragen
Ist die Lektion „Algorithmen für Ähnlichkeit und Link Prediction“ kostenlos?
Ja — der vollständige Text von „Algorithmen für Ähnlichkeit und Link Prediction“ 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 „Algorithmen für Ähnlichkeit und Link Prediction“?
Erkunden Sie Algorithmen für Knotenähnlichkeit und Link Prediction, die verborgene Strukturen und wahrscheinliche zukünftige Verbindungen in einem Graphen sichtbar machen. 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 „Algorithmen für Ähnlichkeit und Link Prediction“?
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
- Pfadsuchalgorithmen (BFS, DFS)
- Zentralitätsalgorithmen (PageRank)
- Algorithmen zur Community-Erkennung
- Algorithmen für Ähnlichkeit und Link Prediction