如何用neo4j做推荐系统

使用 Neo4j 做推荐系统是非常自然的，因为推荐问题本质上是“图关系”问题（用户–商品–行为–标签等）。下面我从核心思路、常见推荐模式、Cypher 示例、工程实践四个方面讲清楚。

一、Neo4j 做推荐系统的核心思路

在 Neo4j 中：

• 节点（Node）：用户、商品、标签、类目
• 关系（Relationship）：购买、点击、喜欢、好友、属于

推荐本质：

在图中找到“与目标节点最相关”的其他节点

常见推荐思路：

1. 基于关系路径（如好友买过）
2. 基于相似节点（如共同行为）
3. 基于图算法（PageRank、Community、Node Similarity）

二、常见推荐模式（附 Cypher）

1️⃣ 基于“好友/相似用户”的推荐（协同过滤）

场景：朋友买过、相似用户喜欢

MATCH (u:User {id: 'user1'})-[:FRIEND]-(f:User)
MATCH (f)-[:BOUGHT]->(p:Product)
WHERE NOT (u)-[:BOUGHT]->(p)
RETURN p, count(*) AS score
ORDER BY score DESC
LIMIT 10

✅ 适合社交推荐

2️⃣ 基于“共同行为”的内容推荐

场景：你买过 A，别人也买过 A，又买了 B

MATCH (u:User {id: 'user1'})-[:BOUGHT]->(p1:Product)
MATCH (p1)<-[:BOUGHT]-(other:User)-[:BOUGHT]->(p2:Product)
WHERE p1 <> p2
  AND NOT (u)-[:BOUGHT]->(p2)
RETURN p2, count(*) AS score
ORDER BY score DESC
LIMIT 10

✅ 经典“买了又买”

3️⃣ 基于标签 / 属性的推荐

场景：用户偏好“科幻 + 高分”

MATCH (u:User {id: 'user1'})-[:LIKE]->(t:Tag)
MATCH (p:Product)-[:HAS_TAG]->(t)
WHERE NOT (u)-[:BOUGHT]->(p)
RETURN p, count(t) AS score
ORDER BY score DESC
LIMIT 10

✅ 可解释性强

4️⃣ 使用图算法做推荐（Neo4j GDS）

Node Similarity（节点相似度）

CALL gds.nodeSimilarity.stream('graph')
YIELD node1, node2, similarity
RETURN gds.util.asNode(node1).id, gds.util.asNode(node2).id, similarity
ORDER BY similarity DESC
LIMIT 10

PageRank（热门推荐）

CALL gds.pageRank.stream('graph')
YIELD nodeId, score
RETURN gds.util.asNode(nodeId).name, score
ORDER BY score DESC

三、推荐系统的典型图模型

(User)-[:BOUGHT]->(Product)
(User)-[:FRIEND]->(User)
(Product)-[:HAS_TAG]->(Tag)
(Product)-[:BELONG_TO]->(Category)

还可以加：

• 时间关系 :BOUGHT {time}
• 权重 :LIKE {weight}

四、工程落地建议

✅ 小型系统

• 直接 Cypher 查询
• 定时任务生成推荐结果

✅ 中型系统

• Neo4j + 缓存（Redis）
• 离线计算 + 在线召回

✅ 大型系统

• Neo4j 做关系召回
• 深度学习（召回 + 排序）
• 图特征导出到 ML 模型

五、适合 Neo4j 推荐的场景

✅ 强关系（社交、知识图谱）
✅ 可解释推荐
✅ 冷启动友好
❌ 超大规模实时深度排序（不擅长）

如果你愿意，我可以：

• 给你一个完整 Neo4j 推荐系统 Schema
• 用电影 / 电商 / 内容推荐举例
• 教你 Spring Boot + Neo4j 实战

你现在是想做哪类推荐系统？