0Pricing
Neo4j Graph Database Fundamentals · Урок

Создание рекомендательных систем

Узнайте, как Neo4j поддерживает сложные рекомендательные системы, используя связи между пользователями и объектами.

«Создание рекомендательных систем» — бесплатный урок Neo4j Graph Database Fundamentals на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Neo4j Graph Database Fundamentals, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Neo4j Graph Database Fundamentals содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

What are Recommendations?

Have you ever noticed how streaming services suggest your next show, or online stores recommend products you might like? This magic comes from recommendation engines.

These systems analyze user behavior and item attributes to predict what a user will be interested in. Their goal is to enhance user experience and drive engagement.

Graphs & Recommendations

Graph databases like Neo4j are uniquely suited for building recommendation engines because they excel at modeling and querying connections.

Recommendations are all about relationships: users like items, users are similar to other users, items are related to other items. A graph naturally represents these connections.

Modeling User-Item Data

In Neo4j, we model users and items as nodes, and their interactions as relationships.

  • User Nodes: Represent individuals (e.g., (:User {name: 'Alice'})).
  • Item Nodes: Represent products, movies, articles (e.g., (:Movie {title: 'The Matrix'})).
  • Interaction Relationships: Connect users and items (e.g., -[:LIKES]->, -[:BOUGHT]->, -[:RATED {score: 5}]->).

Initial Recs Data

Let's create a small graph to demonstrate. We'll have users, movies, and LIKES relationships.

This simple model allows us to easily traverse connections to find recommendations.

CREATE (:User {name: 'Alice'})-[:LIKES]->(:Movie {title: 'Inception'})
CREATE (:User {name: 'Alice'})-[:LIKES]->(:Movie {title: 'The Matrix'})
CREATE (:User {name: 'Bob'})-[:LIKES]->(:Movie {title: 'The Matrix'})
CREATE (:User {name: 'Bob'})-[:LIKES]->(:Movie {title: 'Interstellar'})
CREATE (:User {name: 'Charlie'})-[:LIKES]->(:Movie {title: 'Inception'})
CREATE (:User {name: 'Charlie'})-[:LIKES]->(:Movie {title: 'Interstellar'})

Item-Based Recommendations

An item-based recommendation suggests items that are similar to what a user already likes. The idea is: 'users who liked this item, also liked that item.'

We find items frequently liked together by the same users. This is great for suggesting related products or content.

Cypher: Item-Based Recs

Let's find movies similar to 'The Matrix' based on other users' likes.

We look for users who liked 'The Matrix', and then see what other movies *those same users* liked.

MATCH (m1:Movie {title: 'The Matrix'})<-[:LIKES]-(u:User)-[:LIKES]->(m2:Movie)
WHERE m1 <> m2
RETURN m2.title AS RecommendedMovie, count(DISTINCT u) AS LikedBySameUsers
ORDER BY LikedBySameUsers DESC
LIMIT 3

User-Based Recommendations

User-based recommendation suggests items that similar users have liked. The core idea is: 'people like you liked these items.'

We first identify users with similar tastes, and then recommend items that those similar users liked but the current user hasn't seen yet.

Cypher: User-Based Recs

Let's find movies 'Alice' might like, based on users similar to her.

We find users who liked movies Alice liked, then recommend movies *they* liked but Alice hasn't.

MATCH (alice:User {name: 'Alice'})-[:LIKES]->(m:Movie)<-[:LIKES]-(otherUser:User)
WHERE alice <> otherUser
WITH otherUser, collect(m) AS commonMovies
MATCH (otherUser)-[:LIKES]->(recommendedMovie:Movie)
WHERE NOT (alice)-[:LIKES]->(recommendedMovie)
RETURN recommendedMovie.title AS RecommendedMovie, count(DISTINCT otherUser) AS LikedBySimilarUsers
ORDER BY LikedBySimilarUsers DESC
LIMIT 3

Enhancing Recommendations

Recommendation engines can be made more sophisticated by incorporating more data:

  • Ratings: Use -[:RATED {score: 4}]-> to capture preference intensity.
  • Content Attributes: Link movies by -[:HAS_GENRE]-> or products by -[:IS_CATEGORY]->.
  • Timestamps: Factor in recent interactions for freshness.

These enrich the graph for more relevant suggestions.

Recommendation Query Check

Consider a graph with (:User)-[:WATCHED]->(:Movie) relationships. Which of the following Cypher patterns could be part of a query to find movies watched by users similar to 'Bob', but not yet watched by 'Bob'?

Recap: Recommendation Engines

In this lesson, you learned how Neo4j is ideal for building recommendation engines due to its relationship-first nature.

  • We modeled users, items, and their interactions as nodes and relationships.
  • You explored both item-based and user-based recommendation strategies using practical Cypher queries.
  • You also saw how to enrich your graph model for more sophisticated recommendations.

Graph databases simplify complex recommendation logic, making it intuitive and performant!

Часто задаваемые вопросы

Урок «Создание рекомендательных систем» бесплатный?

Да — полный текст урока «Создание рекомендательных систем» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Neo4j Graph Database Fundamentals, подпишись на CoddyKit PRO. Курс Neo4j Graph Database Fundamentals содержит 4 уроков всего.

Чему я научусь в уроке «Создание рекомендательных систем»?

Узнайте, как Neo4j поддерживает сложные рекомендательные системы, используя связи между пользователями и объектами. Ты практикуешь Neo4j Graph Database Fundamentals с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать Neo4j Graph Database Fundamentals?

Предыдущий опыт не требуется. Neo4j Graph Database Fundamentals на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.

Сколько времени занимает урок «Создание рекомендательных систем»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке Neo4j Graph Database Fundamentals?

Да. Каждый урок Neo4j Graph Database Fundamentals включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

  1. Создание рекомендательных систем
  2. Обнаружение и расследование мошенничества
  3. Графы знаний и эталонные данные
  4. Графы сетевой инфраструктуры и IT-операций
← Назад к Neo4j Graph Database Fundamentals