Neo4j简介 #

┌─────────────┐                    ┌─────────────┐
│   Person    │                    │   Movie     │
│             │                    │             │
│ name: Tom   │───ACTED_IN───────▶│ title: Matrix│
│ born: 1964  │                    │ year: 1999  │
└─────────────┘                    └─────────────┘

优势：
├── 无索引邻接：节点直接指向其邻居节点
├── O(1)复杂度：查找邻居节点的时间复杂度恒定
├── 高效遍历：无需昂贵的JOIN操作
└── 灵活模式：无需预定义表结构

MATCH (p:Person)-[:ACTED_IN]->(m:Movie)
WHERE p.name = 'Tom Hanks'
RETURN m.title

Neo4j高可用架构：
├── 因果集群（Causal Clustering）
│   ├── Core Servers：处理写操作
│   └── Read Replicas：处理读操作
└── 自动故障转移

数据量：100万用户，平均50个朋友

Neo4j:     ~0.1秒
MySQL:     ~150秒
MongoDB:   ~300秒

应用场景：
├── 好友推荐
├── 社交关系分析
├── 影响力分析
└── 社区发现

CREATE (alice:Person {name: 'Alice'})
CREATE (bob:Person {name: 'Bob'})
CREATE (alice)-[:FRIEND {since: 2020}]->(bob)

应用场景：
├── 商品推荐
├── 内容推荐
├── 协同过滤
└── 个性化推荐

CREATE (user:User {id: 1})
CREATE (product:Product {name: 'iPhone'})
CREATE (user)-[:PURCHASED {rating: 5}]->(product)

应用场景：
├── 语义搜索
├── 问答系统
├── 智能推理
└── 数据集成

CREATE (entity:Entity {name: 'Python'})
CREATE (category:Category {name: '编程语言'})
CREATE (entity)-[:BELONGS_TO]->(category)

应用场景：
├── 身份欺诈检测
├── 交易欺诈检测
├── 团伙欺诈识别
└── 实时风险分析

应用场景：
├── 攻击路径分析
├── 漏洞关联分析
├── 访问控制
└── 威胁情报

Neo4j生态系统：
├── Neo4j Database
│   ├── Community Edition（社区版）
│   └── Enterprise Edition（企业版）
├── Neo4j Browser（Web管理界面）
├── Neo4j Desktop（桌面开发工具）
└── Neo4j Aura（云服务）

选择建议：
├── 学习开发 → 社区版
├── 小型项目 → 社区版
├── 生产环境 → 企业版
└── 高可用需求 → 企业版集群