数据分析之图算法: 基于Spark和Neo4j

使用图算法增强机器学习

｜

181

1.

从节点

0

开始，由于

commonAuthors

数大于

1.5

，因此沿着

False

分支到达节点

2

。

2.

这里的

commonAuthors

数大于

2.5

，因此沿着

False

分支到达节点

6

。

3.

prefAttachment

得分低于

15.5

，这样就到达节点

9

。

4.

节点

9

是该决策树中的一个叶节点，这意味着不需要检查其他任何条件——该节点的

Prediction

值（

True

）就是决策树的预测结果。

5.

最后，随机森林针对整个决策树集合求解待预测项，并基于最广泛接受的结果做出预测。

下面添加更多图特征进行研究。

8.3.8

　预测链接

：

三角形和聚类系数

推荐解决方案通常基于某种形式的三角形度量指标进行预测，下面看看这些指标是否对本

例有更多帮助。执行以下查询来计算经过节点的三角形数量及其聚类系数：

CALL algo.triangleCount('Author', 'CO_AUTHOR_EARLY', { write:true,

writeProperty:'trianglesTrain', clusteringCoefficientProperty:

'coefficientTrain'});

CALL algo.triangleCount('Author', 'CO_AUTHOR', { write:true,

writeProperty:'trianglesTest', clusteringCoefficientProperty:

'coefficientTest'}); ...