data/3.Neo4j 高阶/1.图数据科学和机器学习/1.图数据科学GDS概览/neo4j-gds.md

 # Neo4j图数据科学（GDS）概览
 
+Neo4j 图形数据科学 (GDS) 库作为 Neo4j 图形数据库的插件提供。该插件需要安装到数据库中并添加到 Neo4j 配置中的许可名单中。有两种主要方法可以实现这一点。
+
+图算法用于计算图、节点或关系的度量。
+
+它们可以提供有关图中相关实体（中心性、排名）或社区等固有结构（社区检测、图分区、聚类）的见解。
+
+许多图算法是迭代方法，它们经常使用随机游走、广度优先或深度优先搜索或模式匹配遍历图进行计算。
+
+由于可能的路径随着距离的增加呈指数增长，许多方法也具有很高的算法复杂性。
+
+幸运的是，存在利用图的某些结构、记忆已经探索过的部分以及并行化操作的优化算法。只要有可能，我们都会应用这些优化。
+
+Neo4j Graph Data Science 库包含大量算法。
+
+GDS 中的算法有特定的方法来利用其输入图的各个方面。我们称这些*算法特征为*。当一个算法支持一个算法特征时，这表明该算法已经被实现为根据该特征产生明确定义的结果。
+
+为了尽可能高效地运行算法，Neo4j Graph Data Science 库使用专门的内存图形格式来表示图形数据。因此，有必要将 Neo4j 数据库中的图形数据加载到内存中的图形目录中。加载的数据量可以通过所谓的图形投影来控制，例如，它还允许对节点标签和关系类型进行过滤，以及其他选项。
+
+Neo4j Graph Data Science 库有两个版本。
+
+- 开源社区版包括所有算法和功能，但仅限于四个 CPU 内核。
+- Neo4j 图数据科学库企业版：
+  - 可以在无限数量的 CPU 内核上运行。
+  - 支持 Neo4j 企业版的基于角色的访问控制系统 (RBAC)。
+  - 支持各种附加模型目录功能
+    - 在模型目录中存储无限数量的模型
+    - [发布存储模型](https://neo4j.com/docs/graph-data-science/current/model-catalog/publish/)
+    - [将存储的模型持久化到磁盘](https://neo4j.com/docs/graph-data-science/current/model-catalog/store/#model-catalog-store-ops)
+  - 支持[优化的内存图实现](https://neo4j.com/docs/graph-data-science/current/production-deployment/feature-toggles/#bit-id-map-feature-toggle)
+
+GDS 库使用模式通常分为两个阶段：开发和生产。在开发阶段，目标是建立有用算法的工作流程。为此，必须配置系统，定义图形投影，并选择算法。利用库的内存估计功能是典型的做法。这使您能够成功配置系统以处理要处理的数据量。有两种资源需要牢记：内存图和算法数据结构。在生产阶段，系统将被适当配置以成功运行所需的算法。操作序列通常是创建一个图形，在其上运行一个或多个算法，并使用结果。
+
+问题：
+
+下列描述中，不正确的一项是？
+
+## 答案
+
+Neo4j GDS是企业版特性，开源社区版无法使用
+
+## 选项
+
+### A
+
+Neo4j GDS提供了多种官方的图算法，用于图数据的机器学习
+
+### B
+
+Neo4j GDS是企业版特性，开源社区版无法使用
+
+### C
+
+Neo4j GDS运行在内存中
+
+### D
+
+Neo4j GDS提供了系统监控程序用来观测运行情况

data/3.Neo4j 高阶/1.图数据科学和机器学习/2.图算法概览/neo4j-graph-algorithms.md

-# Neo4j 图算法概览
+# Neo4j 图算法概览
\ No newline at end of file
+
+Neo4j Graph Data Science (GDS) 库包含许多图算法。包含以下类型算法的实现：
+
+- [路径查找](https://neo4j.com/docs/graph-data-science/current/algorithms/pathfinding/)- 这些算法有助于找到最短路径或评估路径的可用性和质量
+- [中心性](https://neo4j.com/docs/graph-data-science/current/algorithms/centrality/)- 这些算法确定网络中不同节点的重要性
+- [社区检测](https://neo4j.com/docs/graph-data-science/current/algorithms/community/)——这些算法评估一个群体是如何聚集或划分的，以及它加强或分裂的趋势
+- [相似性](https://neo4j.com/docs/graph-data-science/current/algorithms/similarity/)- 这些算法有助于计算节点的相似性
+- [链接预测](https://neo4j.com/docs/graph-data-science/current/algorithms/linkprediction/)- 这些算法确定节点对的接近程度
+- [节点嵌入](https://neo4j.com/docs/graph-data-science/current/algorithms/node-embeddings/)- 这些算法计算图中节点的向量表示。
+- [节点分类](https://neo4j.com/docs/graph-data-science/current/algorithms/node-classification/)- 该算法使用机器学习来预测节点的分类。
+
+以下指南提供了图形数据科学库和相关主题部分的更多详细信息和背景。
+
+- [图搜索算法](https://neo4j.com/developer/graph-data-science/graph-search-algorithms/)
+- [寻路算法](https://neo4j.com/developer/graph-data-science/path-finding-graph-algorithms/)
+- [中心性算法](https://neo4j.com/developer/graph-data-science/centrality-graph-algorithms/)
+- [社区检测算法](https://neo4j.com/developer/graph-data-science/community-detection-graph-algorithms/)
+- [图嵌入](https://neo4j.com/developer/graph-data-science/graph-embeddings/)
+- [链接预测](https://neo4j.com/developer/graph-data-science/link-prediction/)
+- [连接特征提取](https://neo4j.com/developer/graph-data-science/connected-feature-extraction/)
+
+问题：
+
+下列描述中，不正确的一项是？
+
+## 答案
+
+PageRank不是一种图算法
+
+## 选项
+
+### A
+
+图算法是专门处理关系而构建的数学计算
+
+### B
+
+图搜索（或图遍历）算法探索图以进行一般发现或显式搜索。他们将尝试访问尽可能多的图，但并不期望他们探索的路径在计算上是最优的。
+
+### C
+
+路径查找算法建立在[图搜索算法](https://neo4j.com/developer/graph-search-algorithms)之上，探索节点之间的路径，从一个节点开始，遍历关系直到到达目的地。
+
+### D
+
+中心性算法是图算法的传统类别之一。他们在图中找到重要的节点。
+
+### E
+
+PageRank不是一种图算法
\ No newline at end of file