社交图谱好友关系分析

一、两两之间好友关系查询
二、自定义函数实现两两关系统计
三、使用UNWIND实现节点属性更新
四、自定义过程实现节点属性更新

id(source)源节点	id(target)目标节点	result
60667	60669	60667:3条好友关系
60667	80988	60652:2条好友关系
60652	60667	60669:2条好友关系
60652	60669	80988:1条好友关系

以下代码完成快速统计目标人群中两两之间的好友关系数量（某节点相关联的好友关系数量）

一、两两之间好友关系查询

使用with定义一个列表变量，里面是所有的节点ID；使用match匹配出所有的结点，将结点放到列表中。使用两个unwind将结点列表打散到行，两个unwind的结点也是以笛卡尔积的方式返回的，所以这里是两两的任意组合，甚至两个结点相同的组合。实际上我们这里求最短路径1到2和2到1肯定是一样的，所以用id(source)<id(target)来去除一半；

WITH [60667,60652,60669,60635,80988] AS groupIdsMATCH (n) WHERE id(n) IN groupIdsWITH collect(n) AS nodesUNWIND nodes AS sourceUNWIND nodes AS targetWITH source,target WHERE id(source)<id(target)MATCH paths=(source)-[:好友]-(target) RETURN path

二、自定义函数实现两两关系统计

1、通过节点列表统计之后将count值更新到节点并且返回节点列表

     /*** @param* @return* @Description: TODO(两两之间的好友关系分析)*/@Procedure(name = "zdr.apoc.publicFriendAnalysis", mode = Mode.WRITE)@Description("Public friend analysis")public Stream<NodeResult> publicFriendAnalysis(@Name("sourceList") List<Node> sourceList, @Name("targetList") List<Node> targetList) {List<Node> nodes = new ArrayList<>();// 合并节点集合nodes.addAll(sourceList);nodes.addAll(targetList);// 统计好友关系数HashMap<Long, Integer> countMap = countFriedsRela(nodes);// 节点集合排重nodes = distinctNodes(nodes);// 给节点更新属性并返回return returnFriendResultNodes(nodes, countMap);}/*** @param* @return* @Description: TODO(统计好友关系数)*/private HashMap<Long, Integer> countFriedsRela(List<Node> nodes) {HashMap<Long, Integer> countMap = new HashMap<>();nodes.forEach(node -> {long id = node.getId();if (countMap.containsKey(id)) {int count = countMap.get(id);count++;countMap.put(id, count);} else {countMap.put(id, 1);}});return countMap;}/*** @param* @return* @Description: TODO(节点集合排重)*/private List<Node> distinctNodes(List<Node> nodes) {return nodes.stream().filter(distinctById(v -> {Node node = v;return node.getId();})).collect(Collectors.toCollection(ArrayList::new));}

2、通过节点ID列表统计之后返回LIST MAP（此过程使用函数实现更简洁）

     /*** @param* @return* @Description: TODO(两两之间的好友关系分析)*/@Procedure(name = "zdr.apoc.publicFriendAnalysisMap", mode = Mode.WRITE)@Description("Public friend analysis")public Stream<NodeFriendCountList> publicFriendAnalysisMap(@Name("sourceList") List<Long> sourceList, @Name("targetList") List<Long> targetList) {List<Long> nodes = new ArrayList<>();// 合并节点集合nodes.addAll(sourceList);nodes.addAll(targetList);// 统计好友关系数HashMap<Long, Integer> countMap = countFriedsRelaIds(nodes);// 给节点更新属性并返回return Stream.of(new NodeFriendCountList(returnFriendResultNodesById(countMap)));}/*** @param* @return* @Description: TODO(统计好友关系数)*/private HashMap<Long, Integer> countFriedsRelaIds(List<Long> nodes) {HashMap<Long, Integer> countMap = new HashMap<>();nodes.forEach(nodeId -> {long id = nodeId;if (countMap.containsKey(id)) {int count = countMap.get(id);count++;countMap.put(id, count);} else {countMap.put(id, 1);}});return countMap;}/*** @param* @return* @Description: TODO(将统计结果更新为节点属性并返回节点集合)*/private List<Map<String, Object>> returnFriendResultNodesById(HashMap<Long, Integer> countMap) {List<Map<String, Object>> list = new ArrayList<>();countMap.forEach((k, v) -> {Map<String, Object> map = new HashMap<>();map.put("id", k);map.put("count", v);list.add(map);});return list;}

三、使用UNWIND实现节点属性更新

# Nodes id listWITH [60667,60652,60669,60635,80988] AS groupIdsMATCH (n) WHERE id(n) IN groupIdsWITH collect(n) AS nodesUNWIND nodes AS sourceUNWIND nodes AS targetWITH source,target WHERE id(source)<id(target)MATCH paths=(source)-[:好友]-(target) WITH collect(id(source)) AS sourceList,collect(id(target)) AS targetListCALL zdr.apoc.publicFriendAnalysisMap(sourceList,targetList) YIELD list WITH listUNWIND list AS rowMATCH (n) WHERE id(n)=row.id SET n.targetGroupFriendsRelaCount=row.count RETURN n# publicFriendAnalysisMap过程返回的数据样例# [{"count":3,"id":60667},{"count":2,"id":60652},{"count":2,"id":60669},{"count":1,"id":80988}]

四、自定义过程实现节点属性更新

# Nodes listWITH [60667,60652,60669,60635,80988] AS groupIdsMATCH (n) WHERE id(n) IN groupIdsWITH collect(n) AS nodesUNWIND nodes AS sourceUNWIND nodes AS targetWITH source,target WHERE id(source)<id(target)MATCH paths=(source)-[:好友]-(target) WITH collect(source) AS sourceNodes,collect(target) AS targetNodesCALL zdr.apoc.publicFriendAnalysis(sourceNodes,targetNodes) YIELD node RETURN node# publicFriendAnalysis过程可以返回更新属性targetGroupFriendsRelaCount之后的节点

社交图谱好友关系分析相关推荐

实战 SQL：微信、微博等社交网络中的友好、粉丝关系分析
文章目录数据结构好友关系图粉丝关系图数据的存储好友关系分析查看好友列表查看共同好友可能认识的人最遥远的距离粉丝关系分析我的关注共同关注我的粉丝相互粉丝总结如今,社交软件 ...
【采用】反欺诈之血缘关系分析和犯罪传导监测 - 知识图谱
近期,一银行找到我,说他们现在有一个立项,题目是<数据血缘关系智能分析和犯罪风险传导监测>,希望听听我的建议.今天正好听到妈妈跟我说起这件事,就想,还是针对这个课题,好好整理下思路,讲一讲 ...
基于社交图谱的多层关系挖掘推荐
基于社交图谱的多层关系挖掘推荐一.需求分析 1.推荐功能 2.亲密度衡量标准 3.实现思路二.案例测试 1.准备样例数据 2.构建查询 3.优化一.需求分析 1.推荐功能根据多层人员互动类关系 ...
PostgreSQL 社交类好友关系系统实践 - 正反向关系查询加速
标签 PostgreSQL , 好友关系 , 正向关系 , 反向关系背景关系系统在很多设计类应用中非常常见,例如查询你有哪些好友,你是哪些人的好友. 又比如我LIKE了哪些人,哪些人LIKE了我. ...
mysql好友关系数据表设计_社交系统中用户好友关系数据库设计
基础分析第一步,有一张用户表,表内包含用户的基本信息,比如账号.姓名.性别等信息.这里用tb_user表示用户信息表. ID用户名 1张三 2李四 3王五 4赵六第二步,需要将用户与用户直接建立好 ...
【行业报告】基于社交图谱关系的反欺诈产品应用——青云
报告来源:https://blog.csdn.net/yeziand01/article/details/80644856#commentsedit 感谢博主分享另附Tech Fin微信社群,感兴趣 ...
MyRocks: 为facebool 的社交图谱服务的LSM-tree存储引擎
文章目录概览 1. UDB 架构 2. UDB 表格式 3. Rocksdb:针对flash存储优化过的第三方库 3.1 Rocksdb架构 3.2 为什么选择Rocksdb 4. MyRocks ...
【图的表示】：如何存储微博、微信等社交网络中的好友关系？
微博.微信.LinkedIn 这些社交软件我想你肯定都玩过吧.在微博中,两个人可以互相关注:在微信中,两个人可以互加好友.那你知道,如何存储微博.微信等这些社交网络的好友关系吗? 这就要用到我们今天要 ...
知识图谱和图分析与可视化
来源:知链数据 "知识图谱和图分析与可视化"这个题目看起来比较大,我尝试基于本人的一些图数据可视化与分析经验,对知识图谱和图分析与可视化之间的关系进行简单梳理,并分享一些以知识图谱 ...

社交图谱好友关系分析

社交图谱好友关系分析

一、两两之间好友关系查询

二、自定义函数实现两两关系统计

三、使用UNWIND实现节点属性更新

四、自定义过程实现节点属性更新

社交图谱好友关系分析相关推荐

最新文章

热门文章