Algoritme Kemiripan dan Prediksi Tautan
Jelajahi algoritme kemiripan simpul dan prediksi tautan yang mengungkap struktur tersembunyi serta kemungkinan koneksi mendatang dalam graf.
Algoritme Kemiripan dan Prediksi Tautan 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.
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
Belajar Neo4j Graph Database Fundamentals dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Algoritme Kemiripan dan Prediksi Tautan” gratis?
Ya — teks lengkap “Algoritme Kemiripan dan Prediksi Tautan” 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 “Algoritme Kemiripan dan Prediksi Tautan”?
Jelajahi algoritme kemiripan simpul dan prediksi tautan yang mengungkap struktur tersembunyi serta kemungkinan koneksi mendatang dalam graf. 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 “Algoritme Kemiripan dan Prediksi Tautan” 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
- Algoritma Pencarian Jalur (BFS, DFS)
- Algoritma Sentralitas (PageRank)
- Algoritma Deteksi Komunitas
- Algoritme Kemiripan dan Prediksi Tautan