Neo4j 做推荐 （5）—— 基于类型的个性化建议
如果我们知道用户看过了哪些电影，我们可以使用此信息来推荐类似的电影：
// Content recommendation by overlapping genres
MATCH (u:User {name: "Angelica Rodriguez"})-[r:RATED]->(m:Movie),
(m)-[:IN_GENRE]->(g:Genre)<-[:IN_GENRE]-(rec:Movie) WHERE NOT EXISTS( (u)-[:RATED]->(rec) )
WITH rec, [g.name, COUNT(*)] AS scores
RETURN rec.title AS recommendation, rec.year AS year,
COLLECT(scores) AS scoreComponents,
REDUCE (s=0,x in COLLECT(scores) | s+x[1]) AS score
ORDER BY score DESC LIMIT 10
返回结果如下：
基于类型的个性化建议
分析：
确定用户Angelica
找出用户评过分的电影m
把被评分的电影的流派找出来（g:Genre)
通过流派g再返回去搜索属于该流派的电影 （rec:Movie)，并且是Angelica 没有评过分的那部分电影
返回电影，根据流派名称数量来打分 —— [g.name, COUNT(*)] AS scores
把Scores 列表中的数据列出来 —— COLLECT(scores) AS scoreComponents,
从Scores 列表中，把名称数量提取出来相加，作为得分 —— REDUCE (s=0,x in COLLECT(scores) | s+x[1]) AS score
按得分高低排序
这里运用到了几个函数和表达式：
1. [‘a’, ‘b’, ‘c’] AS list
Literal lists are declared in square brackets.
2. collect(n.property)
List from the values, ignores null.
3. reduce(s = “”, x IN list | s + x.prop)
Evaluate expression for each element in the list, accumulate the results.
备注：
[g.name, COUNT(*)] AS scores
这句话想了很久什么意思。因为最终是要返回rec 记录，假设我们已经找到了rec，那么rec 记录中的每一条，它的流派是清晰的。那么它的流派，在 m 中出现过多少次，就是 [g.name, count(*)] 的结果。
算法分析
