Neo4j Graph Database Fundamentals · レッスン

GDSによるグラフ埋め込み

Graph Data Scienceがノード埋め込みを生成し、グラフ構造を機械学習に利用できるベクトルへ変換する仕組みを学びます。

「GDSによるグラフ埋め込み」はCoddyKit上の無料Neo4j Graph Database Fundamentalsレッスンです。これはレッスン4/4です。下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。これはNeo4j Graph Database Fundamentals学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 Neo4j Graph Database Fundamentalsコースには全4レッスンが含まれています。

このレッスンの一部はまだ翻訳されておらず、英語で表示されています。

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

よくある質問

「GDSによるグラフ埋め込み」レッスンは無料ですか？

はい。「GDSによるグラフ埋め込み」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、Neo4j Graph Database Fundamentalsコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 Neo4j Graph Database Fundamentalsコースには全4レッスンが含まれています。

「GDSによるグラフ埋め込み」で何を学びますか？

Graph Data Scienceがノード埋め込みを生成し、グラフ構造を機械学習に利用できるベクトルへ変換する仕組みを学びます。ブラウザで直接実行するハンズオンコードでNeo4j Graph Database Fundamentalsを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

Neo4j Graph Database Fundamentalsを始めるのに経験は必要ですか？

事前経験は必要ありません。CoddyKitのNeo4j Graph Database Fundamentalsは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。これはレッスン4/4です。

「GDSによるグラフ埋め込み」レッスンにはどのくらい時間がかかりますか？

ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このNeo4j Graph Database Fundamentalsレッスンでコードを書いて実行できますか？

はい。すべてのNeo4j Graph Database Fundamentalsレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

← Neo4j Graph Database Fundamentalsに戻る