如何用neo4j做推荐

在 Neo4j 里做推荐，本质上是利用图结构 + 关系路径 + 图算法来发现“人或物品之间的关联”。下面从思路 → 常见方法 → 示例 → 实战建议逐步说明。

一、为什么用 Neo4j 做推荐

传统推荐（协同过滤、矩阵分解）擅长“打分”，但不擅长表达：

• 用户 → 关注 → 作者
• 用户 → 购买 → 商品 → 属于 → 类目
• 商品 → 被同时购买 → 商品

Neo4j 的优势： ✅ 关系天然可见
✅ 多跳关系容易表达
✅ 可结合规则 + 图算法
✅ 解释性强（为什么推荐）

二、常见 Neo4j 推荐模式

1️⃣ 基于关系的推荐（最简单）

例子：好友喜欢的东西

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

✅ 适合：社交推荐
✅ 可解释：你朋友喜欢

2️⃣ 基于共同行为的推荐（协同思想）

例子：买过相同商品的人还买了什么

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

✅ 类似“买了又买”

3️⃣ 基于路径的推荐（多跳）

例子：同品类 + 同品牌

MATCH (u:User {id:'user1'})-[:BOUGHT]->(:Item)-[:IN_CATEGORY]->(c:Category)
MATCH (c)<-[:IN_CATEGORY]-(rec:Item)
WHERE NOT (u)-[:BOUGHT]->(rec)
RETURN rec, count(*) AS score
ORDER BY score DESC

4️⃣ 使用 Neo4j Graph Data Science（GDS）算法

✅ 相似度推荐（Node Similarity）

CALL gds.nodeSimilarity.stream('user-item-graph')
YIELD node1, node2, similarity
RETURN node1, node2, similarity
ORDER BY similarity DESC

适合：

• 用户相似
• 商品相似

✅ PageRank（热门推荐）

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

✅ Personalized PageRank（个性化推荐）

CALL gds.pageRank.stream('graph', {
  sourceNodes: ['user1']
})

✅ 强烈推荐：电商、内容平台

5️⃣ 社区发现（推荐给同群人）

CALL gds.louvain.stream('graph')
YIELD nodeId, communityId

同社区用户互相推荐内容

三、一个完整推荐示例（电商）

数据模型

(User)-[:BOUGHT]->(Item)
(Item)-[:IN_CATEGORY]->(Category)
(User)-[:FRIEND]->(User)

推荐逻辑

1. 好友购买
2. 同品类商品
3. 相似用户购买
4. PageRank 加权

混合打分（伪代码）

score = 0.4 * friendScore
      + 0.3 * categoryScore
      + 0.3 * similarityScore

四、工程落地建议

✅ 小规模：Cypher 直接算
✅ 中大规模：用 GDS 投影图
✅ 实时推荐：预计算 + 缓存
✅ 可解释：返回“推荐原因”

五、适合 Neo4j 推荐的场景

✅ 社交推荐
✅ 知识图谱推荐
✅ 内容/商品关联
✅ 冷启动友好（靠关系）

❌ 不适合：

• 超大规模纯评分矩阵（可用 Spark + Neo4j 混合）

如果你愿意，可以告诉我：

• 你的业务类型（电商 / 内容 / 社交）
• 数据规模
• 是否用 Neo4j 社区版 / 企业版

我可以直接帮你写一套可落地的推荐方案 + Cypher。