Vue d’ensemble

Le coefficient de corrélation de Pearson est la méthode la plus courante pour mesurer la force et la direction de la relation linéaire entre deux variables quantitatives. Dans le graph, les nodes sont quantifiés par N propriétés numériques (caractéristiques) de ceux-ci.

Pour deux variables X= (x₁, x₂, ..., x_n) et Y = (y₁, y₂, ..., y_n), le coefficient de corrélation de Pearson (r) est défini comme le rapport de leur covariance et le produit de leurs écarts-types :

Le coefficient de corrélation de Pearson varie de -1 à 1 :

Considérations

• Théoriquement, le calcul du coefficient de corrélation de Pearson entre deux nodes ne dépend pas de leur connectivité.

Syntaxe

• Commande : algo(similarity)
• Paramètres :

L'algorithme a deux modes de calcul :

1. Pairage : quand à la fois ids/uuids et ids2/uuids2 sont configurés, associer chaque node dans ids/uuids avec chaque node dans ids2/uuids2 (ignorer le même node) et calculer les similitudes par paires.
2. Sélection : quand seulement ids/uuids est configuré, pour chaque node cible, calculer les similitudes par paires entre lui et tous les autres nodes du graph. Les résultats retournés incluent tous les nodes ou un nombre limité de nodes qui ont une similarité > 0 avec le node cible et sont ordonnés par similarité décroissante.

Exemples

Le graph d'exemple a 4 produits (les edges sont ignorés), chaque produit a des propriétés price, weight, weight et height :

File Writeback

algo(similarity).params({
  uuids: [1], 
  uuids2: [2,3,4],
  node_schema_property: ['price', 'weight', 'width', 'height'],
  type: 'pearson'
}).write({
  file:{ 
    filename: 'pearson'
  }
})

Résultats : Fichier pearson

product1,product2,0.998785
product1,product3,0.474384
product1,product4,0.210494

algo(similarity).params({
  uuids: [1,2,3,4],
  node_schema_property: ['price', 'weight', 'width', 'height'],
  type: 'pearson'
}).write({
  file:{ 
    filename: 'list'
  }
})

Résultats : Fichier list

product1,product2,0.998785
product1,product3,0.474384
product1,product4,0.210494
product2,product1,0.998785
product2,product3,0.507838
product2,product4,0.253573
product3,product2,0.507838
product3,product1,0.474384
product3,product4,0.474021
product4,product3,0.474021
product4,product2,0.253573
product4,product1,0.210494

Direct Return

algo(similarity).params({
  uuids: [1,2], 
  uuids2: [2,3,4],
  node_schema_property: ['price', 'weight', 'width', 'height'],
  type: 'pearson'
}) as p
return p

Résultats : p

algo(similarity).params({
  uuids: [1,2],
  type: 'pearson',
  node_schema_property: ['price', 'weight', 'width', 'height'],
  top_limit: 1
}) as top
return top

Résultats : top

Stream Return

algo(similarity).params({
  uuids: [3], 
  uuids2: [1,2,4],
  node_schema_property: ['@product.price', '@product.weight', '@product.width'],
  type: 'pearson'
}).stream() as p
where p.similarity > 0
return p

Résultats : p

algo(similarity).params({
  uuids: [1,3],
  node_schema_property: ['price', 'weight', 'width', 'height'],
  type: 'pearson',
  top_limit: 1
}).stream() as top
return top

Résultats : top