neo4j图算法有哪些种类

Neo4j 本身是一个图数据库，它通过 Graph Data Science (GDS) 库 提供了丰富的图算法。这些算法通常可以按功能和用途分为以下几大类：

1. 中心性算法（Centrality Algorithms）

用于衡量节点在图中的重要性或影响力。

常见算法：

• PageRank：网页排名，衡量节点重要性
• Degree Centrality：度中心性（入度/出度）
• Betweenness Centrality：介数中心性（控制信息流动）
• Closeness Centrality：接近中心性（到达其他节点的快慢）
• Harmonic Centrality：调和中心性
• Eigenvector Centrality：特征向量中心性

2. 社区检测算法（Community Detection Algorithms）

用于发现图中紧密连接的群体或聚类。

常见算法：

• Label Propagation (LPA)：标签传播
• Louvain：模块度优化社区发现
• Leiden：Louvain 的改进版
• Connected Components：连通分量
• Strongly Connected Components：强连通分量（有向图）
• Triangle Counting / Clustering Coefficient：三角计数与聚类系数

3. 路径与遍历算法（Path Finding Algorithms）

用于寻找节点之间的最优或特定路径。

常见算法：

• Shortest Path (Dijkstra / A)*：最短路径
• Yen’s K-Shortest Paths：K 最短路径
• All Pairs Shortest Path：全点对最短路径
• Minimum Spanning Tree (MST)：最小生成树
• BFS / DFS：广度优先 / 深度优先遍历

4. 相似性算法（Similarity Algorithms）

用于计算节点或边之间的相似程度。

常见算法：

• Node Similarity (Jaccard / Cosine)：节点相似度
• K-Nearest Neighbors (KNN)：最近邻
• Cosine Similarity
• Euclidean Similarity
• Overlap Similarity

5. 链接预测算法（Link Prediction Algorithms）

用于预测两个节点之间是否可能产生关系。

常见算法：

• Common Neighbors
• Preferential Attachment
• Adamic Adar
• Resource Allocation
• Same Community

6. 节点嵌入算法（Node Embedding Algorithms）

将图结构映射为向量表示，常用于机器学习。

常见算法：

• Node2Vec
• FastRP (Fast Random Projection)
• GraphSAGE（部分版本支持）

7. 预处理与图操作算法（Graph Management）

用于图投影、采样、过滤等。

包括：

• 图投影（Graph Projection）
• 子图提取
• 随机图生成
• 图过滤

总结

Neo4j 的图算法体系可以概括为：

中心性 → 社区发现 → 路径 → 相似性 → 链接预测 → 图嵌入

如果你有具体使用场景（如反欺诈、推荐系统、知识图谱、社交网络分析），我可以帮你推荐合适的 Neo4j 图算法。