Graph DB在Neo4j cypher中获得下一个最佳推荐节点

我有一个使用NEO4j的图表，目前正在尝试构建一个比基于文本的搜索更好的简单推荐系统

创建的节点包括：相册、人物、类型、图表

创建的关系如下所示：

People-[：role]->相册

角色：艺术家、制作人、歌曲作者

专辑-[：是一种类型的]->类型

（类型基本上是流行、摇滚、迪斯科……）

People-[：POPULAR_ON]->图表

（图表是他们可能的广告牌）

People-[：类似]->People

（预先确定的相似性连接）

我写了以下密码：

    MATCH (a:Album { id: { id } })-[:is_a_type_of]->(t)<-[:is_a_type_of]-(recommend)    
    WITH recommend, t, a
    MATCH (recommend)<-[:ARTIST_OF]-(p)
    OPTIONAL MATCH (p)-[:POPULAR_ON]->()
    RETURN recommend, count(DISTINCT t) AS type
    ORDER BY type DESC
    LIMIT 25;

---

MATCH（a:Album{id:{id}）-[：is_a_type_of]->（t）您可以使用4种配置，并按照此顺序中较高的值来订购相册。将配置保持在0到1之间（例如0.6）

计算每个相册的这4个值并求和。值越高，推荐的相册越高

我临时将配置设置为a=1，b=0.8，c=0.6，d=0.4。并假设存在某种关系，这表明有些人喜欢这张专辑。如果您仅根据图表进行逻辑推理，则仅使用a&b

MATCH (me:People)
where id(me) = 123
MATCH (a:Album { id: 456 })-[:is_a_type_of]->(t:Type)<-[:is_a_type_of]-(recommend)    
OPTIONAL MATCH (recommend)<-[:ARTIST_OF]-(a:People)-[:POPULAR_ON]->(:Chart)
WHERE exists((me)-[:SIMILAR_TO]->(a))
OPTIONAL MATCH (recommend)<-[:ARTIST_OF]-(b:People)-[:POPULAR_ON]->(:Chart)
WHERE NOT exists((me)-[:SIMILAR_TO]->(b))
OPTIONAL MATCH (recommend)<-[:LIKES]-(c:People)
WHERE exists((me)-[:SIMILAR_TO]->(a))
OPTIONAL MATCH (recommend)<-[:LIKES]-(d:People)
WHERE NOT exists((me)-[:SIMILAR_TO]->(a))
RETURN recommend, (count(a)*1 + count(b)*0.8 + count(c)* 0.6+count(d)*0.4) as rec_order
ORDER BY rec_order DESC
LIMIT 10;

匹配（我：人）
其中id（me）=123
MATCH（a:Album{id:456}）-[：is_a_type_of]->（t:type）（a））
可选匹配（推荐）（：图表）
不存在的地方（（me）-[：类似于]->（b））
可选匹配（推荐）（a））
可选匹配（推荐）（a））
退货建议（数量（a）*1+数量（b）*0.8+数量（c）*0.6+数量（d）*0.4）作为收款单
按记录顺序说明
限制10；
我理解您的逻辑，但我也不理解您所说的图形类型学中的配置和计算+和是什么意思。如果需要两个问题，请详细说明使用伪密码：1）配置是什么意思。这个重量是多少？2） 人们不是指你。人们指的是艺术家、制作人、作曲家等等……（如我在问题中所解释的）@azngunit81:1。对一些重量。如果“a”需要给出更多的权重，则设置更多的值。2.可以那么您只能使用“a”和“b”。虽然如果您有一些登录用户的映射，那么您可以这样做。我希望你得到我的解决方案，以及它对任何推荐的好处。
MATCH (me:People)
where id(me) = 123
MATCH (a:Album { id: 456 })-[:is_a_type_of]->(t:Type)<-[:is_a_type_of]-(recommend)    
OPTIONAL MATCH (recommend)<-[:ARTIST_OF]-(a:People)-[:POPULAR_ON]->(:Chart)
WHERE exists((me)-[:SIMILAR_TO]->(a))
OPTIONAL MATCH (recommend)<-[:ARTIST_OF]-(b:People)-[:POPULAR_ON]->(:Chart)
WHERE NOT exists((me)-[:SIMILAR_TO]->(b))
OPTIONAL MATCH (recommend)<-[:LIKES]-(c:People)
WHERE exists((me)-[:SIMILAR_TO]->(a))
OPTIONAL MATCH (recommend)<-[:LIKES]-(d:People)
WHERE NOT exists((me)-[:SIMILAR_TO]->(a))
RETURN recommend, (count(a)*1 + count(b)*0.8 + count(c)* 0.6+count(d)*0.4) as rec_order
ORDER BY rec_order DESC
LIMIT 10;