Penyematan Graf dengan GDS
Pelajari cara Graph Data Science menghasilkan penyematan simpul yang mengubah struktur graf menjadi vektor untuk pembelajaran mesin.
Penyematan Graf dengan GDS adalah pelajaran Neo4j Graph Database Fundamentals gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Neo4j Graph Database Fundamentals, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Neo4j Graph Database Fundamentals mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
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
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Penyematan Graf dengan GDS” gratis?
Ya — teks lengkap “Penyematan Graf dengan GDS” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Neo4j Graph Database Fundamentals, upgrade ke CoddyKit PRO. Kursus Neo4j Graph Database Fundamentals mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Penyematan Graf dengan GDS”?
Pelajari cara Graph Data Science menghasilkan penyematan simpul yang mengubah struktur graf menjadi vektor untuk pembelajaran mesin. Kamu berlatih Neo4j Graph Database Fundamentals dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Neo4j Graph Database Fundamentals?
Tidak diperlukan pengalaman sebelumnya. Neo4j Graph Database Fundamentals di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Penyematan Graf dengan GDS” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Neo4j Graph Database Fundamentals ini?
Ya. Setiap pelajaran Neo4j Graph Database Fundamentals menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pengenalan Pustaka GDS
- Menjalankan Algoritma GDS
- Pipeline GDS dan Pembelajaran Mesin
- Penyematan Graf dengan GDS