Algoritmos de Similaridade e Predição de Ligações
Explore algoritmos de similaridade entre nós e predição de ligações que revelam estruturas ocultas e possíveis conexões futuras em um grafo.
Algoritmos de Similaridade e Predição de Ligações é uma aula grátis de Neo4j Graph Database Fundamentals no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Neo4j Graph Database Fundamentals, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Neo4j Graph Database Fundamentals inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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
Perguntas Frequentes
A aula “Algoritmos de Similaridade e Predição de Ligações” é grátis?
Sim — o texto completo de “Algoritmos de Similaridade e Predição de Ligações” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Neo4j Graph Database Fundamentals, atualize para CoddyKit PRO. O curso de Neo4j Graph Database Fundamentals inclui 4 aulas no total.
O que vou aprender em “Algoritmos de Similaridade e Predição de Ligações”?
Explore algoritmos de similaridade entre nós e predição de ligações que revelam estruturas ocultas e possíveis conexões futuras em um grafo. Você pratica Neo4j Graph Database Fundamentals com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Neo4j Graph Database Fundamentals?
Nenhuma experiência prévia é necessária. Neo4j Graph Database Fundamentals no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Algoritmos de Similaridade e Predição de Ligações”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Neo4j Graph Database Fundamentals?
Sim. Cada aula de Neo4j Graph Database Fundamentals inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Algoritmos de Busca de Caminhos (BFS, DFS)
- Algoritmos de Centralidade (PageRank)
- Algoritmos de Detecção de Comunidades
- Algoritmos de Similaridade e Predição de Ligações