基于MySQL实现基础图数据库

一、概念

图数据库是一种用于存储和查询具有复杂关系的数据的数据库。在这种数据库中，数据被表示为节点（实体）和边（关系）。图数据库的核心优势在于能够快速地查询和处理节点之间的关系。

图数据库特点：

  1. 高效处理复杂关系：图数据库擅长处理复杂、多层级的关系，这使得它在社交网络分析、推荐系统等领域具有显著优势。
  2. 灵活的查询语言：图数据库通常使用类似自然语言的查询语言，如Gremlin或Cypher，使得查询过程更加直观。

专业的图数据库，可以存储千万、甚至亿级别的边和节点，详情可参考文章：https://blog.csdn.net/weixin_45565886/article/details/149290447

但并非只有专业的图数据库可以实现图的一些操作，比如：图挖掘，实际也可以通过MySQL来实现。本文主要讲解如何通过MySQL构建图数据存储，当然MySQL构建图结构数据与专业图数据库还是有能力上的差异，比如：图算法需要自己通过SQL实现、整体效率不及专业图数据库等。

在这里插入图片描述

二、应用场景

基于MySQL实现图数据库，是通过多表关联来实现操作，因此性能和整体能力肯定不及专业图数据库。

MySQL实现图存储最适合场景：

  1. 中小规模图数据（≤10万节点）
  2. 需要强事务保证的业务系统
  3. 图查询以1-3度关系为主
  4. 已有MySQL基础设施且预算有限

专业图数据库场景：

  1. 大规模图数据（≥100万节点）
  2. 需要复杂图算法（社区发现等）
  3. 深度路径查询（≥4度关系）
  4. 实时图分析需求

三、实现

环境搭建

首先我们需要有MySQL环境，我这里为了方便就直接通过docker搭建MySQL：

docker run -d \--name mysql8 \--restart always \-p 3306:3306 \-e TZ=Asia/Shanghai \-e MYSQL_ROOT_PASSWORD=123456 \-v /Users/ziyi2/docker-home/mysql/data:/var/lib/mysql \mysql:8.0

在这里插入图片描述

存储结构定义

图主要包含节点、边，因此我们这里选择定义两个数据表来实现。同时节点和边都具有很多属性，且为kv对，这里我们就采用MySQL中的JSON格式存储。

-- 节点表
CREATE TABLE IF NOT EXISTS node (node_id BIGINT NOT NULL AUTO_INCREMENT PRIMARY KEY,properties JSON COMMENT '节点属性'
);-- 边表
CREATE TABLE IF NOT EXISTS edge (edge_id BIGINT NOT NULL AUTO_INCREMENT PRIMARY KEY,source_id BIGINT NOT NULL COMMENT '源节点ID',target_id BIGINT NOT NULL COMMENT '目标节点ID',properties JSON COMMENT '边属性',FOREIGN KEY(source_id) REFERENCES node(node_id) ON DELETE CASCADE,FOREIGN KEY(target_id) REFERENCES node(node_id) ON DELETE CASCADE
);-- 索引创建
CREATE INDEX idx_edge_source ON edge(source_id);
CREATE INDEX idx_edge_target ON edge(target_id);

基础功能

创建

节点创建：

-- 创建用户节点
INSERT INTO node (properties) VALUES
('{"type": "user", "name": "张三", "age": 28, "interests": ["篮球","音乐"]}'),
('{"type": "user", "name": "李四", "age": 32, "interests": ["电影","美食"]}'),
('{"type": "user", "name": "王五", "age": 27, "interests": ["跑步","美食"]}');

边创建：

-- 创建好友关系
INSERT INTO edge (source_id, target_id, properties) VALUES
(1, 3, '{"type": "friend", "since": "2023-01-01"}'),
(2, 3, '{"type": "friend", "since": "2023-01-01"}');
查询
  1. 根据节点属性查询节点
SELECT * from node
where properties->>'$.name' = '张三';

在这里插入图片描述

  1. 查询某个节点关联的另一个节点
-- 查询张三的好友
SELECT n2.node_id, n2.properties->>'$.name' AS friend_name
FROM edge e
JOIN node n1 ON e.source_id = n1.node_id
JOIN node n2 ON e.target_id = n2.node_id
WHERE n1.properties->>'$.name' = '张三'
AND e.properties->>'$.type' = 'friend';

在这里插入图片描述

  1. 查询两个节点的公共节点。查询共同好友，因为张三、王五是好友，李四、王五是好友，所以张三跟李四的共同好友就是王五
-- 查询共同好友
SELECT n3.properties->>'$.name' AS common_friend
FROM edge e1
JOIN edge e2 ON e1.target_id = e2.target_id
JOIN node n1 ON e1.source_id = n1.node_id
JOIN node n2 ON e2.source_id = n2.node_id
JOIN node n3 ON e1.target_id = n3.node_id
WHERE n1.properties->>'$.name' = '张三'
AND n2.properties->>'$.name' = '李四'
AND e1.properties->>'$.type' = 'friend'
AND e2.properties->>'$.type' = 'friend';

在这里插入图片描述

递归

查找某个节点关联的所有节点，类似与Neo4j中的Expand展开。

-- 递归查找所有关联节点
WITH RECURSIVE node_path AS (SELECTsource_id,target_id,properties,1 AS depthFROM edgeWHERE source_id = 1UNION ALLSELECTnp.source_id,e.target_id,e.properties,np.depth + 1FROM node_path npJOIN edge e ON np.target_id = e.source_idWHERE np.depth < 5 -- 控制最大深度
)
SELECT * FROM node_path;

效果：
在这里插入图片描述

更新
-- 更新节点已有属性值【更新完之后查询效果】
SELECT * from node
where properties->>'$.name' = '张三';UPDATE node
SET properties = JSON_SET(properties, '$.age', 29)
WHERE properties->>'$.name' = '张三';-- 新增节点属性：添加新兴趣
UPDATE node
SET properties = JSON_ARRAY_APPEND(properties, '$.interests', '游泳')
WHERE properties->>'$.name' = '张三';SELECT * from node
where properties->>'$.name' = '张三';

在这里插入图片描述

删除
-- 删除关系
DELETE FROM edge 
WHERE source_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '张三')
AND target_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '王五');-- 删除节点及其关系
DELETE FROM node WHERE properties->>'$.name' = '张三';

下面演示删除关系过程，删除节点同理：

  1. 删除之前
select * from edge
WHERE source_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '张三')
AND target_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '王五');

在这里插入图片描述
2. 执行SQL删除后

-- 删除关系
DELETE FROM edge 
WHERE source_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '张三')
AND target_id = (SELECT node_id FROM node WHERE properties->>'$.name' = '王五');

在这里插入图片描述

图算法实现

1. 度中心性算法

度中心性算法（Degree Centrality）

  • 介绍：中心性是刻画节点中心性的最直接度量指标。节点的度是指一个节点连接的边的数量，一个 节点的度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要。对于有向图，还 要分别考虑出度/入度/出入度。
  • 计算：统计节点连接的边数量。
  • 应用：计算某个领域的KOL关键人物，头部商家、用户、up主…

数据构造：

-- 删除之前数据，避免用户数据重复等
DELETE FROM edge;
DELETE FROM node;
ALTER TABLE node AUTO_INCREMENT = 1;
ALTER TABLE edge AUTO_INCREMENT = 1;-- 创建用户节点
INSERT INTO node (properties) VALUES
('{"type":"user","name":"张三","title":"科技博主"}'),
('{"type":"user","name":"李四","title":"美食达人"}'),
('{"type":"user","name":"王五","title":"旅行摄影师"}'),
('{"type":"user","name":"赵六","title":"投资专家"}'),
('{"type":"user","name":"钱七","title":"健身教练"}'),
('{"type":"user","name":"周八","title":"宠物博主"}'),
('{"type":"user","name":"吴九","title":"历史学者"}');-- 创建关注关系
INSERT INTO edge (source_id, target_id, properties) VALUES
-- 张三被关注关系
(2,1, '{"type":"follow","timestamp":"2023-01-10"}'),
(3,1, '{"type":"follow","timestamp":"2023-01-12"}'),
(4,1, '{"type":"follow","timestamp":"2023-01-15"}'),
(5,1, '{"type":"follow","timestamp":"2023-01-18"}'),
-- 李四被关注关系
(1,2, '{"type":"follow","timestamp":"2023-01-20"}'),
(3,2, '{"type":"follow","timestamp":"2023-01-22"}'),
(6,2, '{"type":"follow","timestamp":"2023-01-25"}'),
-- 王五被关注关系
(1,3, '{"type":"follow","timestamp":"2023-02-01"}'),
(7,3, '{"type":"follow","timestamp":"2023-02-05"}'),
-- 赵六被关注关系
(4,4, '{"type":"follow","timestamp":"2023-02-10"}'); -- 自关注（特殊情况）

度中心性算法实现：

-- 计算用户被关注度（入度中心性）
SELECT n.node_id,n.properties->>'$.name' AS user_name,n.properties->>'$.title' AS title,COUNT(e.edge_id) AS follower_count,-- 计算标准化中心性（0-1范围）ROUND(COUNT(e.edge_id) / (SELECT COUNT(*)-1 FROM node WHERE properties->>'$.type'='user'), 3) AS normalized_centrality
FROM node n
LEFT JOIN edge e ON n.node_id = e.target_id
AND e.properties->>'$.type' = 'follow'
WHERE n.properties->>'$.type' = 'user'
GROUP BY n.node_id
ORDER BY follower_count DESC;

效果：
在这里插入图片描述

2. 相似度算法

图场景中相似度算法主流的主要包含：余弦相似度、杰卡德相似度。这里主要介绍下Jaccard相似度算法。

  • 杰卡德相似度（Jaccard Similarity）
  • 介绍：节点A和节点B的杰卡德相似度定义为，节点A邻居和节点B邻居的交集节点数量除以并集节点 数量。Jaccard系数计算的是两个节点的邻居集合的重合程度，以此来衡量两个节点的相似度。
  • 计算：计算两个节点邻居集合的交集数量和并集数量，然后再相除。公式：|A ∩ B| / (|A| + |B| - |A ∩ B|)
  • 应用：共同好友推荐、电商商品推荐猜你喜欢

数据构造：

-- 清理之前数据，避免混淆
DELETE FROM edge;
DELETE FROM node;
ALTER TABLE node AUTO_INCREMENT = 1;
ALTER TABLE edge AUTO_INCREMENT = 1;
-- 创建用户节点（包含风险标记）
INSERT INTO node (properties) VALUES
('{"type":"user","name":"张三","phone":"13800138000","risk_score":5,"register_time":"2023-01-01"}'),
('{"type":"user","name":"李四","phone":"13900139000","risk_score":85,"register_time":"2023-01-05"}'), -- 黑产用户
('{"type":"user","name":"王五","phone":"13700137000","risk_score":92,"register_time":"2023-01-10"}'), -- 黑产用户
('{"type":"user","name":"赵六","phone":"13600136000","risk_score":15,"register_time":"2023-01-15"}'),
('{"type":"user","name":"钱七","phone":"13500135000","risk_score":8,"register_time":"2023-01-20"}'),
('{"type":"user","name":"孙八","phone":"13400134000","risk_score":95,"register_time":"2023-01-25"}'); -- 黑产用户-- 创建设备节点
INSERT INTO node (properties) VALUES
('{"type":"device","device_id":"D001","model":"iPhone12","os":"iOS14"}'),
('{"type":"device","device_id":"D002","model":"HuaweiP40","os":"Android10"}'),
('{"type":"device","device_id":"D003","model":"Xiaomi11","os":"Android11"}'),
('{"type":"device","device_id":"D004","model":"OPPOReno5","os":"Android11"}');-- 创建银行卡节点
INSERT INTO node (properties) VALUES
('{"type":"bank_card","card_no":"622588******1234","bank":"招商银行"}'),
('{"type":"bank_card","card_no":"622848******5678","bank":"农业银行"}'),
('{"type":"bank_card","card_no":"622700******9012","bank":"建设银行"}'),
('{"type":"bank_card","card_no":"622262******3456","bank":"交通银行"}');-- 创建IP地址节点
INSERT INTO node (properties) VALUES
('{"type":"ip","ip_address":"192.168.1.101","location":"广东深圳"}'),
('{"type":"ip","ip_address":"192.168.2.202","location":"浙江杭州"}'),
('{"type":"ip","ip_address":"192.168.3.303","location":"江苏南京"}'),
('{"type":"ip","ip_address":"192.168.4.404","location":"北京朝阳"}');-- 创建关联关系
INSERT INTO edge (source_id, target_id, properties) VALUES
-- 用户-设备关系
(1,7, '{"type":"use","first_time":"2023-01-01"}'),  -- 张三使用D001
(2,7, '{"type":"use","first_time":"2023-01-05"}'),  -- 李四使用D001
(2,8, '{"type":"use","first_time":"2023-01-06"}'),  -- 李四使用D002
(3,8, '{"type":"use","first_time":"2023-01-10"}'),  -- 王五使用D002
(3,9, '{"type":"use","first_time":"2023-01-11"}'),  -- 王五使用D003
(4,10,'{"type":"use","first_time":"2023-01-15"}'),  -- 赵六使用D004
(5,9, '{"type":"use","first_time":"2023-01-20"}'),  -- 钱七使用D003
(6,7, '{"type":"use","first_time":"2023-01-25"}'),  -- 孙八使用D001-- 用户-银行卡关系
(1,11, '{"type":"bind","time":"2023-01-02"}'),  -- 张三绑定银行卡1
(2,11, '{"type":"bind","time":"2023-01-05"}'),  -- 李四绑定银行卡1
(2,12, '{"type":"bind","time":"2023-01-07"}'),  -- 李四绑定银行卡2
(3,12, '{"type":"bind","time":"2023-01-11"}'),  -- 王五绑定银行卡2
(3,13, '{"type":"bind","time":"2023-01-12"}'),  -- 王五绑定银行卡3
(4,14, '{"type":"bind","time":"2023-01-16"}'),  -- 赵六绑定银行卡4
(5,13, '{"type":"bind","time":"2023-01-21"}'),  -- 钱七绑定银行卡3
(6,11, '{"type":"bind","time":"2023-01-26"}'),  -- 孙八绑定银行卡1-- 用户-IP关系
(1,15, '{"type":"login","time":"2023-01-03"}'),  -- 张三登录IP1
(2,15, '{"type":"login","time":"2023-01-05"}'),  -- 李四登录IP1
(2,16, '{"type":"login","time":"2023-01-08"}'),  -- 李四登录IP2
(3,16, '{"type":"login","time":"2023-01-10"}'),  -- 王五登录IP2
(3,17, '{"type":"login","time":"2023-01-13"}'),  -- 王五登录IP3
(4,18, '{"type":"login","time":"2023-01-17"}'),  -- 赵六登录IP4
(5,17, '{"type":"login","time":"2023-01-22"}'),  -- 钱七登录IP3
(6,15, '{"type":"login","time":"2023-01-27"}');  -- 孙八登录IP1

算法实现：

Jaccard相似度数学公式：|A ∩ B| / (|A| + |B| - |A ∩ B|)


-- 基于Jaccard相似度的图相似度算法实现
WITH user_entities AS (SELECTu.node_id AS user_id,(SELECT JSON_ARRAYAGG(ed.target_id)FROM edge edWHERE ed.source_id = u.node_idAND ed.properties->>'$.type' = 'use'AND ed.target_id IN (SELECT node_id FROM node WHERE properties->>'$.type' = 'device')) AS devices,(SELECT JSON_ARRAYAGG(ec.target_id)FROM edge ecWHERE ec.source_id = u.node_idAND ec.properties->>'$.type' = 'bind'AND ec.target_id IN (SELECT node_id FROM node WHERE properties->>'$.type' = 'bank_card')) AS cards,(SELECT JSON_ARRAYAGG(ei.target_id)FROM edge eiWHERE ei.source_id = u.node_idAND ei.properties->>'$.type' = 'login'AND ei.target_id IN (SELECT node_id FROM node WHERE properties->>'$.type' = 'ip')) AS ipsFROM node uWHERE u.properties->>'$.type' = 'user'
),
-- 已知黑产用户
black_users AS (SELECT node_idFROM nodeWHERE properties->>'$.type' = 'user'AND CAST(properties->>'$.risk_score' AS UNSIGNED) > 80
),
-- 相似度计算
similarity_calc AS (SELECTu1.user_id AS target_user,u2.user_id AS black_user,-- 设备相似度 (Jaccard系数): |A ∩ B| / (|A| + |B| - |A ∩ B|)CASEWHEN u1.devices IS NULL OR u2.devices IS NULLOR JSON_LENGTH(u1.devices) = 0 OR JSON_LENGTH(u2.devices) = 0THEN 0ELSE (-- 分子部分: |A ∩ B| (交集的大小)SELECT COUNT(DISTINCT d1.device_id)FROM JSON_TABLE(u1.devices, '$[*]' COLUMNS(device_id BIGINT PATH '$')) d1INNER JOIN JSON_TABLE(u2.devices, '$[*]' COLUMNS(device_id BIGINT PATH '$')) d2ON d1.device_id = d2.device_id) * 1.0 / (-- 分母部分: (|A| + |B| - |A ∩ B|) (并集的大小)JSON_LENGTH(u1.devices) +                -- |A| 集合A的大小JSON_LENGTH(u2.devices) -                -- |B| 集合B的大小(-- |A ∩ B| 交集的大小（再次计算用于分母）SELECT COUNT(DISTINCT d1.device_id)FROM JSON_TABLE(u1.devices, '$[*]' COLUMNS(device_id BIGINT PATH '$')) d1INNER JOIN JSON_TABLE(u2.devices, '$[*]' COLUMNS(device_id BIGINT PATH '$')) d2ON d1.device_id = d2.device_id))END AS device_sim,-- 银行卡相似度 (Jaccard系数): |A ∩ B| / (|A| + |B| - |A ∩ B|)CASEWHEN u1.cards IS NULL OR u2.cards IS NULLOR JSON_LENGTH(u1.cards) = 0 OR JSON_LENGTH(u2.cards) = 0THEN 0ELSE (-- 分子部分: |A ∩ B| (交集的大小)SELECT COUNT(DISTINCT c1.card_id)FROM JSON_TABLE(u1.cards, '$[*]' COLUMNS(card_id BIGINT PATH '$')) c1INNER JOIN JSON_TABLE(u2.cards, '$[*]' COLUMNS(card_id BIGINT PATH '$')) c2ON c1.card_id = c2.card_id) * 1.0 / (-- 分母部分: (|A| + |B| - |A ∩ B|) (并集的大小)JSON_LENGTH(u1.cards) +                  -- |A| 集合A的大小JSON_LENGTH(u2.cards) -                  -- |B| 集合B的大小(-- |A ∩ B| 交集的大小（再次计算用于分母）SELECT COUNT(DISTINCT c1.card_id)FROM JSON_TABLE(u1.cards, '$[*]' COLUMNS(card_id BIGINT PATH '$')) c1INNER JOIN JSON_TABLE(u2.cards, '$[*]' COLUMNS(card_id BIGINT PATH '$')) c2ON c1.card_id = c2.card_id))END AS card_sim,-- IP相似度 (Jaccard系数): |A ∩ B| / (|A| + |B| - |A ∩ B|)CASEWHEN u1.ips IS NULL OR u2.ips IS NULLOR JSON_LENGTH(u1.ips) = 0 OR JSON_LENGTH(u2.ips) = 0THEN 0ELSE (-- 分子部分: |A ∩ B| (交集的大小)SELECT COUNT(DISTINCT i1.ip_id)FROM JSON_TABLE(u1.ips, '$[*]' COLUMNS(ip_id BIGINT PATH '$')) i1INNER JOIN JSON_TABLE(u2.ips, '$[*]' COLUMNS(ip_id BIGINT PATH '$')) i2ON i1.ip_id = i2.ip_id) * 1.0 / (-- 分母部分: (|A| + |B| - |A ∩ B|) (并集的大小)JSON_LENGTH(u1.ips) +                    -- |A| 集合A的大小JSON_LENGTH(u2.ips) -                    -- |B| 集合B的大小(-- |A ∩ B| 交集的大小（再次计算用于分母）SELECT COUNT(DISTINCT i1.ip_id)FROM JSON_TABLE(u1.ips, '$[*]' COLUMNS(ip_id BIGINT PATH '$')) i1INNER JOIN JSON_TABLE(u2.ips, '$[*]' COLUMNS(ip_id BIGINT PATH '$')) i2ON i1.ip_id = i2.ip_id))END AS ip_simFROM user_entities u1JOIN user_entities u2 ON u2.user_id IN (SELECT node_id FROM black_users)WHERE u1.user_id NOT IN (SELECT node_id FROM black_users)  -- 排除已知黑产
)
-- 最终结果查询
SELECTu.properties->>'$.name' AS target_user,u.properties->>'$.phone' AS phone,CAST(u.properties->>'$.risk_score' AS UNSIGNED) AS risk_score,bu.properties->>'$.name' AS black_user,ROUND(sc.device_sim, 3) AS device_similarity,ROUND(sc.card_sim, 3) AS card_similarity,ROUND(sc.ip_sim, 3) AS ip_similarity,ROUND((sc.device_sim * 0.5 + sc.card_sim * 0.3 + sc.ip_sim * 0.2), 3) AS total_similarity,CASEWHEN (sc.device_sim * 0.5 + sc.card_sim * 0.3 + sc.ip_sim * 0.2) > 0.7 THEN '高风险'WHEN (sc.device_sim * 0.5 + sc.card_sim * 0.3 + sc.ip_sim * 0.2) > 0.4 THEN '中风险'ELSE '低风险'END AS risk_level
FROM similarity_calc sc
JOIN node u ON sc.target_user = u.node_id
JOIN node bu ON sc.black_user = bu.node_id
ORDER BY total_similarity DESC
LIMIT 5;

效果：
在这里插入图片描述

四、项目实战

基于MySQL搭建的图数据库，模拟实现好友推荐功能。

  1. 数据准备：
-- 创建用户
INSERT INTO node (properties) VALUES
('{"type":"user","name":"张三","age":25,"city":"北京"}'),
('{"type":"user","name":"李四","age":28,"city":"北京"}'),
('{"type":"user","name":"王五","age":30,"city":"上海"}'),
('{"type":"user","name":"赵六","age":26,"city":"广州"}'),
('{"type":"user","name":"钱七","age":27,"city":"深圳"}'),
('{"type":"user","name":"Jack","age":18,"city":"杭州"}'),
('{"type":"user","name":"Tom","age":45,"city":"贵州"}'),
('{"type":"user","name":"Mike","age":35,"city":"上海"}');-- 创建好友关系
INSERT INTO edge (source_id, target_id, properties) VALUES
(1,2, '{"type":"friend"}'),
(1,3, '{"type":"friend"}'),
(2,4, '{"type":"friend"}'),
(3,5, '{"type":"friend"}'),
(4,5, '{"type":"friend"}'),
(6,7, '{"type":"friend"}'),
(7,8, '{"type":"friend"}');
  1. 具体实现
-- 综合推荐算法：为张三推荐3个好友，排除现有好友
WITH target_user AS (SELECTnode_id,properties->>'$.city' AS cityFROM nodeWHERE properties->>'$.name' = '张三'
),
existing_friends AS (SELECT target_idFROM edgeWHERE source_id = (SELECT node_id FROM target_user)AND properties->>'$.type' = 'friend'
),
common_friends AS (SELECTf2.target_id AS candidate_id,COUNT(*) AS common_friend_countFROM edge f1JOIN edge f2 ON f1.target_id = f2.source_idWHERE f1.source_id = (SELECT node_id FROM target_user)AND f2.target_id NOT IN (SELECT target_id FROM existing_friends)  -- 排除现有好友AND f2.target_id != (SELECT node_id FROM target_user)  -- 排除自己AND f1.properties->>'$.type' = 'friend'AND f2.properties->>'$.type' = 'friend'GROUP BY f2.target_id
),
same_city AS (SELECTn.node_id AS candidate_id,1 AS same_city_scoreFROM node nWHERE n.properties->>'$.city' = (SELECT city FROM target_user)AND n.node_id != (SELECT node_id FROM target_user)AND n.node_id NOT IN (SELECT target_id FROM existing_friends)  -- 排除现有好友
),
final_candidates AS (SELECTcf.candidate_id,COALESCE(cf.common_friend_count, 0) AS common_friends,COALESCE(sc.same_city_score, 0) AS same_city,COALESCE(cf.common_friend_count, 0) * 0.6 +COALESCE(sc.same_city_score, 0) * 0.4 AS recommendation_scoreFROM common_friends cfLEFT JOIN same_city sc ON cf.candidate_id = sc.candidate_idUNION ALLSELECTsc.candidate_id,0 AS common_friends,sc.same_city_score AS same_city,sc.same_city_score * 0.4 AS recommendation_scoreFROM same_city scWHERE sc.candidate_id NOT IN (SELECT candidate_id FROM common_friends)
)
SELECTn.properties->>'$.name' AS recommended_name,fc.common_friends,fc.same_city,fc.recommendation_score
FROM final_candidates fc
JOIN node n ON fc.candidate_id = n.node_id
ORDER BY recommendation_score DESC
LIMIT 3;
  1. 效果展示

可以看到最后只给张三推荐了赵六和钱七，并没有推荐Tom、Jack等用户。
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/diannao/93678.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/93678.shtml
英文地址，请注明出处：http://en.pswp.cn/diannao/93678.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

RAG面试内容整理-9. 查询改写与增强（Query Rewriting, Query Expansion）

RAG面试内容整理-9. 查询改写与增强（Query Rewriting, Query Expansion）

查询改写和查询增强是两种提升检索效果的技术，目标是在不改变用户意图的前提下，使检索器收到的查询更全面或明确，从而找到更多相关信息。 查询改写通常指将原始查询转换成语义等价但更明晰的形式。上一节谈到的对话查询改写是一个典型场景。在一般情况下，查询改写也适用于澄…
阅读更多...
golang设置http代理

golang设置http代理

问题场景&#xff1a; golang通过eino的官方agent示例调用duckduckgo进行联网搜索时出现网络问题&#xff0c;电脑此时是挂了工具的浏览器整出打开 官方示例&#xff1a;https://www.cloudwego.io/zh/docs/eino/quick_start/agent_llm_with_tools/ 问题原因&#xff1a;go代码没…
阅读更多...
Elasticsearch 现在默认启用 BBQ，并通过 ACORN 实现过滤向量搜索

Elasticsearch 现在默认启用 BBQ，并通过 ACORN 实现过滤向量搜索

作者&#xff1a;来自 Elastic Gilad Gal 探索 Elasticsearch 的向量搜索如何以更快的速度、更低的成本提供更优结果。 试用向量搜索&#xff1a;使用这套自定进度的 Search AI 实操学习课程&#xff0c;亲自体验向量搜索。你可以开始免费云试用&#xff0c;或立即在本地机器上…
阅读更多...
Java 14 新特性解析与代码示例

Java 14 新特性解析与代码示例

Java 14 新特性解析与代码示例 文章目录Java 14 新特性解析与代码示例1. 开关表达式&#xff08;Switch Expressions&#xff09;2. 记录类型&#xff08;Records&#xff09;3. 文本块&#xff08;Text Blocks&#xff09;4. instanceof的模式匹配&#xff08;Pattern Matchin…
阅读更多...
在虚拟机ubuntu上修改framebuffer桌面不能显示图像

在虚拟机ubuntu上修改framebuffer桌面不能显示图像

目录 一、测试程序 二、排查原因 三、为什么 Xorg 会导致程序无法工作&#xff1f; 一、测试程序 #include <stdio.h> #include <stdlib.h> #include <sys/types.h> #include <sys/stat.h> #include <fcntl.h> #include <unistd.h> #in…
阅读更多...
语言模型的评估指标整理

语言模型的评估指标整理

语言模型&#xff08;Language Models&#xff09;是自然语言处理&#xff08;NLP&#xff09;的核心组件&#xff0c;广泛应用于机器翻译、文本生成、对话系统等领域。随着模型复杂度的提升&#xff0c;如何科学、系统地评估模型性能变得至关重要。评估指标不仅帮助我们理解模…
阅读更多...
【开发技术】.Net中配置Serilog日志分级记录

【开发技术】.Net中配置Serilog日志分级记录

目录 一、目的 二、解决方案 2.1 下载serilog包 2.2 Serilog配置 2.2.1 使用多个File sink配置不同的最小日志级别 2.2.2 使用Filter条件分流到不同文件 三、使用建议 四、文章总结 一、目的 在日常开发中&#xff0c;需要根据不同的场景去记录日志&#xff0c;根据实际…
阅读更多...
聊聊如何判断发现的缺陷属于前后端

聊聊如何判断发现的缺陷属于前后端

目录 一、观察缺陷现象 二、检查网络请求&#xff08;核心方法&#xff09; 三、模拟请求验证后端 四、查看日志 五、数据流分析 六、判断前后端缺陷方法 判断发现的缺陷是前后端&#xff0c;可以通过观察缺陷现象&#xff0c;检查网络请求&#xff0c;查看后端日志&…
阅读更多...
Python3与MySQL的PyMySQL连接与应用

Python3与MySQL的PyMySQL连接与应用

Python3与MySQL的PyMySQL连接与应用 引言 随着互联网技术的飞速发展，数据库在各个领域的应用日益广泛。MySQL作为一种开源的关系型数据库管理系统，因其稳定性和高效性，被广泛应用于各种场景。Python作为一种高级编程语言，以其简洁、易读、易学等特点，受到了广大开发者的…
阅读更多...
智慧城市SaaS平台|市政公用管理系统

智慧城市SaaS平台|市政公用管理系统

【道路监测运维系统】1.数据可视化a) 实时监控支持对道路监测数据进行分析评估&#xff0c;为道路养护、交通管理、环境保护等提供数据支撑2.道路基础设施监测支持对道路基础设施的运行状态进行实时监测&#xff0c;包括路面状况3.交通流量监测支持对道路交通流量进行实时监测&…
阅读更多...
Maven 配置阿里云镜像加速

Maven 配置阿里云镜像加速

Maven 配置阿里云镜像加速&#xff1a; 完整配置步骤&#xff08;Windows 系统&#xff09; 1. 找到 Maven 的 settings.xml 文件 全局配置&#xff1a;D:\software\apache-maven-3.9.11\conf\settings.xml用户配置&#xff1a;C:\Users\Admin\.m2\settings.xml&#xff08;推荐…
阅读更多...
去除视频字幕 3 : 继续研究 IOPaint，记录几个问题

去除视频字幕 3 : 继续研究 IOPaint，记录几个问题

1. 为什么单独运行&#xff0c;效果很好&#xff0c;批量运行&#xff0c;效果很差。 1. 我运行 iopaint start --modellama --devicecuda --port8080在浏览器中单独选择图片&#xff0c;涂选区域&#xff0c;然后处理&#xff0c;此时的效果非常好。2. 但是我进行 iopaint ru…
阅读更多...
【深度之眼机器学习笔记】04-01-决策树简介、熵，04-02-条件熵及计算举例，04-03-信息增益、ID3算法

【深度之眼机器学习笔记】04-01-决策树简介、熵，04-02-条件熵及计算举例，04-03-信息增益、ID3算法

1. 决策树与熵 1.1 决策树简介 下面有一个贷申请样本表&#xff0c;有许多特征 我们根据特征数据生成一棵树&#xff0c;比如年龄有青年&#xff0c;中年&#xff0c;老年三个类别&#xff0c;那么就有三个分支&#xff0c;分别对应着三种类别。如果是青年那么就看工作&#xf…
阅读更多...
八股文场景题

八股文场景题

如何预估接口上线后的 QPS 问题引入 这个问题其实是一个非常实际的问题&#xff0c;因为我们在开发需求后&#xff0c;例如&#xff1a;新增了一个接口 有一个步骤是值得做的&#xff0c;那就是预估这个接口的QPS 因为我们是可以去调配对应服务器的数量和运行配置的 例如我…
阅读更多...
【Web安全】深入浅出理解“SQL注入-伪静态注入”及空格限制绕过技巧

【Web安全】深入浅出理解“SQL注入-伪静态注入”及空格限制绕过技巧

文章目录什么是伪静态注入&#xff1f;伪静态注入中如何绕过空格限制&#xff1f;1. 用注释符替代空格2. 用不可见字符&#xff08;URL 编码&#xff09;替代3. 用括号分隔语句4. 用特殊符号替代核心逻辑往期文章【Web安全】一次性搞懂 ReDOS 漏洞原理/检测/防御 【Web安全】一…
阅读更多...
【读论文】Step-Audio 2 深度解读：迈向工业级语音交互的「全能型选手」

【读论文】Step-Audio 2 深度解读：迈向工业级语音交互的「全能型选手」

引言：step-Audio升级 语音交互技术，作为人机交互最自然、最直接的方式之一，正以前所未有的速度发展。从简单的语音指令到流畅的语音对话，我们对 AI 的期望越来越高。然而，要让 AI 真正成为我们的“知心伙伴”，仅仅能“听懂”和“说出”还远远不够。 一个理想的语音 AI，…
阅读更多...
java web 重定向

java web 重定向

目录结构 demo\day20\src\com\demo\service\Dome1.javademo\day20\src\com\demo\service\Dome2.javademo\day20\src\com\demo\service\Dome3.javademo\day20\src\com\demo\service\Dome4.javademo\day20\web\WEB-INF\lib\javax.servlet.jardemo\day20\web\index.jspdemo\day20\…
阅读更多...
MySQL（配置）——MariaDB使用

MySQL（配置）——MariaDB使用

一、简介 MariaDB 和 MySQL 作为两个流行的关系型数据库管理系统&#xff0c;它们的区别可以从多个角度来探讨。尽管 MariaDB 最初是 MySQL 的一个分支&#xff0c;但随着时间的推移&#xff0c;它们逐渐在功能、性能和开发方向上有所不同。MariaDB 是 MySQL 的一个分支&#x…
阅读更多...
Web3：赛道划分与发展趋势解析

Web3：赛道划分与发展趋势解析

区块链技术现在已经从单一的加密货币支付系统发展为涵盖金融、艺术、组织治理和社区文化的多元生态系统。这次我们将深入解析 DeFi&#xff08;去中心化金融&#xff09;、NFT&#xff08;非同质化代币&#xff09;、DAO&#xff08;去中心化自治组织&#xff09;与 MEME&#…
阅读更多...
LeetCode 283 - 移动零

LeetCode 283 - 移动零

思路 使用双指针法&#xff0c;一次遍历完成原地修改。 慢指针 slow&#xff1a;指向下一个非零元素应该被放置的位置。快指针 fast&#xff1a;遍历整个数组&#xff0c;寻找非零元素。 当 fast 遇到非零数时&#xff0c;将其值赋给 slow 指向的位置&#xff0c;然后 slow 前进…
阅读更多...
最新文章

Copyright @ 2022~2023