data/3.Neo4j 高阶/1.图数据科学和机器学习/3.图嵌入概览/neo4j-graph-embedding.md

 # Neo4j 图嵌入概览
 
+图嵌入确定了图中每个实体（通常是节点）的固定长度向量表示。这些嵌入是图的低维表示，并保留了图的拓扑结构。
+
+节点嵌入技术通常包括以下功能：
+
+![图嵌入](https://dist.neo4j.com/wp-content/uploads/20200703083748/node-embeddings-how-they-work.png)
+
+- 相似函数
+
+  测量节点之间的相似性
+
+- 编码器功能
+
+  生成节点嵌入
+
+- 解码功能
+
+  重建成对相似性
+
+- 损失函数
+
+  检查重建质量
+
+有几个用例非常适合图嵌入：
+
+- 我们可以借助[t 分布随机邻域嵌入](https://en.wikipedia.org/wiki/T-distributed_stochastic_neighbor_embedding)(t-SNE) 和主[成分分析](https://en.wikipedia.org/wiki/Principal_component_analysis)(PCA)等算法，通过将嵌入减少到 2 维或 3 维来直观地探索数据。
+- 我们可以从嵌入中构建 kNN 相似性图。然后可以使用相似性图来提出建议，作为 k-最近邻查询的一部分。
+- 我们可以使用嵌入作为特征输入机器学习模型，而不是手动生成这些特征。在这个用例中，嵌入可以被认为是[表征学习的](https://en.wikipedia.org/wiki/Feature_learning)一种实现。
+
+Neo4j[图数据科学库](https://neo4j.com/graph-data-science-library)支持多种图嵌入算法。
+
+- 随机投影
+- node2vec
+- 图SAGE
+
+问题
+
+下列描述中，不正确的一项是？
+
+## 答案
+
+图嵌入是为了将图数据模型转换成二维数据
+
+## 选项
+
+### A
+
+Neo4j 图嵌入是Neo4j GDS库的功能
+
+### B
+
+使用Neo4j 图嵌入可以为机器学习提供图数据模型处理能力
+
+### C
+
+需要图嵌入是因为当前的机器学习无法直接处理图数据
+
+### D
+
+图嵌入是为了将图数据模型转换成二维数据

data/3.Neo4j 高阶/1.图数据科学和机器学习/4.自然语言处理NLP概览/neo4j-nlp.md

 # Neo4j和自然语言处理（NLP）
 
+Neo4j 为结构化数据提供了强大的查询能力，但是世界上很多数据都存在于文本文档中。NLP 技术可以帮助提取这些文档中的潜在结构。这种结构可以像表示句子中标记的节点一样简单，也可以像表示使用命名实体识别算法提取的实体的节点一样复杂。
+
+从文本文档中提取结构并将其存储在图形中可以实现多种不同的用例，包括：
+
+- 基于内容的推荐
+- 自然语言搜索
+- 文档相似度
+
+问题：
+
+下列描述中，不正确的一项是？
+
+## 答案
+
+## 选项
+
+### A
+