Question

假设我们拥有100,000人的集合，每个人都有一个属性列表，例如：

height: "between 130 and 140 cm"
eyecolor: "blue"
age_rangee: "16-18"
favorite_music_type: "jazz"
home_city: "NYC"
owns_a_boat: "no"
preferred_flower: "hyacinth"
bathing_frequency_per_month: 60
car_type: "minivan"
house_type: "apartment"
wears_jeans: "often"
wears_sandals: "never"
wears_boots: "sometimes"

属性集可能因人而异。属性的数量可以更改，属性的类型可能会更改。当然，属性的价值可能会发生变化。但是，给定一个人，我们假设他的属性与我们馆藏中的一些人有一些重叠。

我的问题是：“表达这些不同的最佳方式是什么？图表数据库中的属性，以便我可以最快速地选择一组50人，其属性最类似地匹配特定个人的属性，并从最佳匹配到最差匹配排序“

谢谢肯尼，

在您的Cypher查询示例中，我是否了解每个要素节点都包含一个键：值标识属性的对和它的对应值？

这是一个更复杂的同余匹配问题。

假设我们有一个功能集，（A，B，C，D，E，F）和100,000 具有与此偏好设定的某种程度匹配的偏好的人。但每个功能，不仅可能有偏好，但他们可能没有偏好。

例如Lena的偏好是，（A，B，C，X，Y，Z）和罗伯特的偏好是，（A，B，C，_，_，），（在underbar，（），表示任何选择都可以）

我们想在偏好匹配方面对罗伯特的评价高于莉娜，因为尽管如此他和Lena拥有相同数量的匹配偏好，Robert的错配匹配偏好更少

这是一个更具体的例子：

假设我们有10万人对汽车感兴趣，我们知道汽车的哪些特征对他们很重要。比方说，我们拥有10辆具有各种功能的汽车，我们希望选择一组50人，他们想要的汽车功能最好匹配10辆车中的每一辆。

有些人对所有汽车功能的子集没有偏好。例如Lester在传输方面没有偏好，无论是“自动”还是“手动”，都可以，而Rebecca对'color'，'power_windows'和'power_door_locks'没有偏好。任何颜色都可以，并且她不在乎汽车是否有电动车窗和门锁。

因此，例如，这是一辆具有一组已定义功能的汽车

engine: '4cylinder' transmission: 'automatic' color: 'dark blue' size: 'subcompact' age: 'less than 4 years' power_windows: 'yes' power_door_locks: 'yes' average_gas_milage: 'greater than 30mpg'

在这里，我们有两个人，莱斯特和丽贝卡，他们已经表明了对他们很重要的特征：

莱斯特： engine: '4cylinder' color: 'dark blue' size: 'subcompact' age: 'less than 4 years' power_windows: 'yes' power_door_locks: 'yes' average_gas_milage: 'greater than 30mpg'

丽贝卡： engine: '4cylinder' transmission: 'automatic' size: 'subcompact' age: 'less than 4 years' average_gas_milage: 'greater than 30mpg'

那么我们如何才能最好地选择和订购一组50人，其特征偏好最适合每辆车？在这种情况下，我们希望具有最大匹配功能首选项的人员排名第一，但我们也想包括那些对任何特定属性值感到满意的人。

Answer 1

好问题。首先，我建议参加免费的在线培训课程，该课程巧妙地向您介绍Neo4j和Cypher查询语言背后的基本概念：http://www.neo4j.org/training

您的问题是一个简单的数据建模练习我很乐意引导您完成。在将数据建模为图形时，类的某些属性或属性（例如人）可以将它们自身表示为节点。

通过查看类person的一些示例数据，您当然会注意到属性值的一些冗余。这些重叠允许我们在该类上进行选择，并通过共享属性对结果进行分组。在大多数数据库中这很容易做到。 Neo4j允许您做的是采用属于一个人的任意一组功能，然后根据这些共享功能选择所有相似的人。

MATCH (john:Person {name: "John Doe"})-[:HAS_FEATURE]->(feature),
      (feature)<-[:HAS_FEATURE]-(people)
WITH john, count(DISTINCT feature) as feature_count, people
RETURN john.name, people.name, feature_count
ORDER BY feature_count DESC

此查询查找名为John Doe的人以及属于他的所有功能。每个要素都是一个节点，表示可归因于某个人的值。每个功能都是唯一的，作为单个节点，并将人们组合在一起。

然后，查询会找到与people共享feature的所有john。然后在WITH子句中，查询计算john与每个人共享的功能。最后，查询返回john的名称，他共享的人的姓名以及他们共享的功能数量。然后查询按feature_count降序排序。

这将返回与John Doe共享最多功能的人。

Answer 2

另请查看"Matches are the new Hotness"和"Match Making with Neo4j"博客文章，了解如何将节点的部分子图相互连接的示例。

START me=node:users_index(name={user})
MATCH skills<-[:has]-me-[:lives_in]->city<-[:in_location]-job-[:requires]->requirements
WHERE me-[:has]->()<-[:requires]-job
WITH DISTINCT city.name AS city_name, 
   job.name AS job_name,
   LENGTH(me-[:has]->()<-[:requires]-job) AS matching_skills,
   LENGTH(job-[:requires]->()) AS job_requires,
   COLLECT(DISTINCT requirements.name) AS req_names, 
   COLLECT(DISTINCT skills.name) AS skill_names
RETURN city_name, job_name, 
FILTER(name IN req_names WHERE NOT name IN skill_names) AS missing
ORDER BY matching_skills / job_requires DESC, job_requires
LIMIT 10

和

START me=node:users_index(name={user})
MATCH me-[:lives_in]->city<-[:lives_in]-person
WHERE me.orientation = person.orientation AND
((me.gender <> person.gender AND me.orientation = "straight") OR
 (me.gender = person.gender AND me.orientation = "gay")) AND
  me-[:wants]->()<-[:has]-person AND
  me-[:has]->()<-[:wants]-person 
WITH DISTINCT city.name AS city_name, person, me
MATCH  me-[:wants]->attributes<-[:has]-person-[:wants]->requirements<-[:has]-me
RETURN city_name, person.name AS person_name,
   COLLECT(attributes.name) AS my_interests,
   COLLECT(requirements.name) AS their_interests,
   COUNT(attributes) AS matching_wants, 
  COUNT(requirements) AS matching_has
ORDER BY matching_wants / (1.0 / matching_has) DESC
LIMIT 10

图数据库技术：发现一致程度

2 个答案: