Neo4j的特点
Neo4j是一个嵌入式，基于磁盘的，支持完整事务的Java持久化引擎，它在图(网络)中而不是表中存储数据。Neo4j提供了大规模可扩展性，在一台机器上可以处理数十亿节点/关系/属性的图，可以扩展到多台机器并行运行。
特点：它支持唯一的约束；Neo4j支持完整的ACID(原子性、一致性、隔离性和持久性)规则；Java API： Cypher API和本机Java API；使用Apache Lucence索引；简单查询语言Neo4j CQL；包含用于执行CQL命令的UI： Neo4j Data Browser。
Neo4j就是一个数据库（可以理解成一个类似HBASE的东西，不过Neo4j是几乎是单机数据库，于HBASE不同，HBASE的数据时存储在 HDFS上，由HDFS进行维护，HDFS将数据存储在exfat等单机文件系统上。
PostgreSQL：开源免费，适合大型项目和企业应用，功能强大，支持高级特性，例如完整的事务处理和高级查询语言。SQLite：轻量级的嵌入式数据库，不需要独立的服务器，适合小型应用和移动设备应用。
目前在使用的数据库有Oracle、PostgreSQL、MongoDB、MySQL、SQL Server、TimesTen、Redis、TiDB、InfuxDB、Neo4j、DRDS等。
关于图数据库neo4j的关系建立(neo4j知识图谱可视化)
Neo4j就是一个数据库（可以理解成一个类似HBASE的东西，不过Neo4j是几乎是单机数据库，于HBASE不同，HBASE的数据时存储在 HDFS上，由HDFS进行维护，HDFS将数据存储在exfat等单机文件系统上。
Neo4J的安装使用非常简单。下载一个稳定版本，解压，运行Neo4j.bat（windows版本） 即可。下载地址http：// ， 目前比较好用的稳定版本是1。
数据库操作的速度并不会随着数据库的增大有明显的降低。这得益于Neo4j特殊的数据存储结构和专门优化的图算法。
图形数据库适合用于社交网络，推荐系统等专注于构建关系图谱的系统。图数据库的代表有Neo4J、FlockDB、InfoGrid、、GraphDB等。
在支付场景下，利用知识图谱将票据诈骗、信用卡套现等行为扼杀在摇篮里。
本项目利用pandas将excel中数据抽取，以三元组形式加载到neo4j数据库中构建相关知识图谱。运行环境 基于Neo4j能够很容易构建知识图谱，除了用neo4j自带的cypher，也支持Python包py2neo创建节点和关系从而构建知识图谱。
neo4j的UI节点和边的颜色、大小更新
neo4j背景颜色的调整方式是，先进入浏览器，在浏览器内找到要调整的节点，选中节点，然后下拉找到最下方的设置，选择背景颜色设置即可完成操作。
节点的大小正比于介数中心性，颜色表示社区(由随机游走算法获得)，边的厚度正比于两节点接触的次数。现在已经计算好这些图的分析数据，让我们对其进行可视化，让数据看起来更有意义。
很简单，楼主点菜单栏的放置--手工结点，光标变成一个十字光标，这时点键盘的tab键，出现手工结点设置对话框，在些对话框设置你想要的大小与颜色即可，修改好后你再放置手工结点就是你现在修改后的效果。
）可以用命令行，添加，更新，查看，Neo4J提供基于WEB的执行界面，提供类SQL语言执行，这些语言包括Cypher，Gremlin等。
接着在第二篇 在Neo4j中对漫威社交网络进行初步分析 中得到一些基本的网络信息以帮助我们了解正在处理的网络情况。 在本篇中我将会在漫威英雄的网络上使用Louvain算法和标签传播算法(LPA)，发现一些有趣的社群。
其中阿里云和巨杉数据库已经连续两年入选。 2018年11月初，Neo4j宣布完成E轮8000万美元融资。11月15日，Neo4j宣布企业版彻底闭源： 2019年1月8日，阿里巴巴以033亿美元(9000万欧元)的价格收购了Apache Flink商业公司DataArtisans。
Neo4j中使用Louvain算法和标签传播算法(LPA)对漫威英雄进行社群分析...
接着在第二篇 在Neo4j中对漫威社交网络进行初步分析 中得到一些基本的网络信息以帮助我们了解正在处理的网络情况。 在本篇中我将会在漫威英雄的网络上使用Louvain算法和标签传播算法(LPA)，发现一些有趣的社群。
本文是漫威社交网络分析序列的第二篇，上一篇文章中，我们已经将Kaggle竞赛的帖子中漫威的数据导入到Neo4j中，同时演示了如何从二分图映射到单分图。我们也使用了一个简单的模型，将任何两位英雄一起出现在漫画的次数记录下来。
基于社区发现算法和图分析Neo4j解读《权力的游戏》下篇
节点的大小正比于介数中心性，颜色表示社区(由随机游走算法获得)，边的厚度正比于两节点接触的次数。现在已经计算好这些图的分析数据，让我们对其进行可视化，让数据看起来更有意义。
链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边， 或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。
Neo4j是单机系统，主要做图数据库。GraphScope是由阿里巴巴达摩院智能计算实验室研发的图计算平台，是全球首个一站式超大规模分布式图计算平台，并且还入选了中 国科学技术协会“科创中 国”平台。
Neo4j图形算法:可视化映射图
在当前示例中，PageRank算法是运行在‘可信图’的基础上的，可信图中每个结点的可信度依赖于传入的关系，可信度的值则取决于这些关系上的weight属性。
Neo4j图算法一般是在图的子集上进行，而这个子集通常是一个虚拟图，Neo4j图算法加载这种图有两种办法。第一种简单的办法是通过指定结点的标签和关系的类型将其加载到图算法中。
作者使用igraph实现的随机游走算法( walktrap)来找到在社区中频繁有接触的角色社区，在社区之外角色不怎么接触。
Neo4j是一个嵌入式，基于磁盘的，支持完整事务的Java持久化引擎，它在图(网络)中而不是表中存储数据。Neo4j提供了大规模可扩展性，在一台机器上可以处理数十亿节点/关系/属性的图，可以扩展到多台机器并行运行。