Neo4j Graph Database Fundamentals · Lekcja

Osadzania grafowe z GDS

Nauczą się Państwo, jak Graph Data Science generuje osadzenia węzłów, przekształcające strukturę grafu w wektory na potrzeby uczenia maszynowego.

Osadzania grafowe z GDS to bezpłatna lekcja Neo4j Graph Database Fundamentals na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Neo4j Graph Database Fundamentals, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Neo4j Graph Database Fundamentals zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

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

Często zadawane pytania

Czy lekcja „Osadzania grafowe z GDS” jest bezpłatna?

Tak — pełny tekst „Osadzania grafowe z GDS” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Neo4j Graph Database Fundamentals, przejdź na CoddyKit PRO. Kurs Neo4j Graph Database Fundamentals zawiera 4 lekcji w sumie.

Co nauczysz się w „Osadzania grafowe z GDS”?

Nauczą się Państwo, jak Graph Data Science generuje osadzenia węzłów, przekształcające strukturę grafu w wektory na potrzeby uczenia maszynowego. Ćwiczysz Neo4j Graph Database Fundamentals z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Neo4j Graph Database Fundamentals?

Nie wymagamy żadnego doświadczenia. Neo4j Graph Database Fundamentals w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.

Ile czasu zajmuje lekcja „Osadzania grafowe z GDS”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Neo4j Graph Database Fundamentals?

Tak. Każda lekcja Neo4j Graph Database Fundamentals zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do Neo4j Graph Database Fundamentals