0Pricing
Neo4j Graph Database Fundamentals · Lezione

Algoritmi di ricerca dei percorsi (BFS, DFS)

Esplorate algoritmi come la ricerca in ampiezza e la ricerca in profondità per trovare percorsi e connessioni in un grafo.

Algoritmi di ricerca dei percorsi (BFS, DFS) è una lezione Neo4j Graph Database Fundamentals gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Neo4j Graph Database Fundamentals, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Neo4j Graph Database Fundamentals include 4 lezioni in totale.

Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.

Finding Your Way in Graphs

Graphs are all about connections! Imagine a map where cities are points and roads are lines. Finding the best route from one city to another is a classic "pathfinding" problem.

In this lesson, we'll explore two fundamental algorithms for finding paths in graphs: Breadth-First Search (BFS) and Depth-First Search (DFS).

What's a Graph? Quick Review

Before we dive into algorithms, let's quickly review what a graph is:

  • Nodes: These are the entities or points in your graph (e.g., people, cities, products).
  • Relationships: These are the connections between nodes (e.g., "FRIENDS_WITH", "LOCATED_IN").
  • Path: A sequence of connected nodes and relationships from one node to another.

BFS: Exploring Layer by Layer

Breadth-First Search (BFS) is like exploring a maze by checking all immediate exits from your current room, then all exits from those rooms, and so on.

It systematically explores a graph level by level, ensuring it finds the shortest path in terms of the number of relationships between two nodes (in an unweighted graph).

How BFS Works

BFS uses a "queue" (like a line at a store: first-in, first-out) to keep track of which nodes to visit next.

  • It starts at a given node.
  • It visits all its direct neighbors first.
  • Then, it visits all the unvisited neighbors of those neighbors.
  • It keeps track of visited nodes to avoid loops and redundant work.

BFS Code Example

Let's see a simple Python example of BFS on a small graph. We represent the graph using a dictionary where keys are nodes and values are lists of their neighbors.

def bfs_path(graph, start_node):
    visited = []
    queue = [start_node]
    visited.append(start_node)
    path = []

    while queue:
        current_node = queue.pop(0) # Get first node
        path.append(current_node)

        for neighbor in graph[current_node]:
            if neighbor not in visited:
                visited.append(neighbor)
                queue.append(neighbor)
    return path

if __name__ == "__main__":
    # A simple graph:
    # A -- B
    # |    |
    # C -- D
    graph_data = {
        'A': ['B', 'C'],
        'B': ['A', 'D'],
        'C': ['A', 'D'],
        'D': ['B', 'C']
    }
    print("BFS path from 'A':")
    print(bfs_path(graph_data, 'A'))

DFS: Diving Deep

Depth-First Search (DFS) takes a different approach. Instead of exploring layer by layer, it goes as deep as possible along each branch before backtracking.

Think of it as navigating a maze by always picking one path and following it to its end. If it's a dead end, you backtrack and try another path.

How DFS Works

DFS typically uses a "stack" (last-in, first-out) or recursion to manage its exploration.

  • It starts at a given node.
  • It picks one unvisited neighbor and moves to it.
  • It repeats this process, going deeper into the graph.
  • If it hits a dead end or a visited node, it backtracks to the last node with unvisited neighbors.

DFS Code Example

Here's a Python example for DFS. We'll use a recursive approach, which naturally uses the call stack to achieve depth-first traversal.

def dfs_path(graph, start_node, visited=None, path=None):
    if visited is None:
        visited = set()
    if path is None:
        path = []

    visited.add(start_node)
    path.append(start_node)

    for neighbor in graph[start_node]:
        if neighbor not in visited:
            dfs_path(graph, neighbor, visited, path)
    return path

if __name__ == "__main__":
    # A simple graph:
    # A -- B
    # |    |
    # C -- D
    graph_data = {
        'A': ['B', 'C'],
        'B': ['A', 'D'],
        'C': ['A', 'D'],
        'D': ['B', 'C']
    }
    print("DFS path from 'A':")
    # Note: DFS path can vary based on neighbor order
    print(dfs_path(graph_data, 'A'))

BFS vs. DFS: Key Differences

BFS and DFS are both powerful, but they suit different problems:

  • BFS: Guarantees the shortest path (in terms of relationships). Great for finding the closest friends, nearest locations.
  • DFS: Useful for checking connectivity, finding all paths, or topological sorting. Can be more memory efficient for very deep graphs.
  • Memory: BFS can use more memory for wide graphs (many neighbors). DFS can use more stack space for deep graphs.

Quick Check: Pathfinding Choice

You're building a social network feature that needs to find the shortest connection (fewest friends) between two users. Which algorithm would be most suitable for this task in an unweighted graph?

Recap & Next Steps

Great job! In this lesson, you've learned about the two fundamental graph traversal algorithms:

  • Breadth-First Search (BFS): Explores layer by layer, good for shortest paths.
  • Depth-First Search (DFS): Dives deep, useful for checking connectivity or finding all paths.

Understanding these algorithms is key to solving many graph problems and will help you appreciate how graph databases efficiently find connections.

Domande Frequenti

La lezione «Algoritmi di ricerca dei percorsi (BFS, DFS)» è gratuita?

Sì — il testo completo di «Algoritmi di ricerca dei percorsi (BFS, DFS)» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Neo4j Graph Database Fundamentals, passa a CoddyKit PRO. Il corso Neo4j Graph Database Fundamentals include 4 lezioni in totale.

Cosa imparerò in «Algoritmi di ricerca dei percorsi (BFS, DFS)»?

Esplorate algoritmi come la ricerca in ampiezza e la ricerca in profondità per trovare percorsi e connessioni in un grafo. Eserciti Neo4j Graph Database Fundamentals con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.

Ho bisogno di esperienza per iniziare Neo4j Graph Database Fundamentals?

Non è richiesta alcuna esperienza precedente. Neo4j Graph Database Fundamentals su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.

Quanto tempo richiede la lezione «Algoritmi di ricerca dei percorsi (BFS, DFS)»?

La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.

Posso scrivere ed eseguire codice in questa lezione Neo4j Graph Database Fundamentals?

Sì. Ogni lezione Neo4j Graph Database Fundamentals include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.

Tutte le lezioni di questo corso

  1. Algoritmi di ricerca dei percorsi (BFS, DFS)
  2. Algoritmi di centralità (PageRank)
  3. Algoritmi di rilevamento delle comunità
  4. Algoritmi di similarità e previsione dei collegamenti
← Torna a Neo4j Graph Database Fundamentals