Algoritmi di similarità e previsione dei collegamenti
Esplorate gli algoritmi di similarità tra nodi e di previsione dei collegamenti, che rivelano strutture nascoste e probabili connessioni future in un grafo.
Algoritmi di similarità e previsione dei collegamenti è una lezione Neo4j Graph Database Fundamentals gratuita su CoddyKit. Questa è la lezione 4 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.
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
Domande Frequenti
La lezione «Algoritmi di similarità e previsione dei collegamenti» è gratuita?
Sì — il testo completo di «Algoritmi di similarità e previsione dei collegamenti» 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 similarità e previsione dei collegamenti»?
Esplorate gli algoritmi di similarità tra nodi e di previsione dei collegamenti, che rivelano strutture nascoste e probabili connessioni future 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 4 di 4.
Quanto tempo richiede la lezione «Algoritmi di similarità e previsione dei collegamenti»?
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
- Algoritmi di ricerca dei percorsi (BFS, DFS)
- Algoritmi di centralità (PageRank)
- Algoritmi di rilevamento delle comunità
- Algoritmi di similarità e previsione dei collegamenti