Article Rank

首先，我们将使用 estimate 过程来估算运行算法的成本。这可以通过任何执行模式完成。在本例中，我们将使用 write 模式。估算算法有助于了解在图上运行算法将产生的内存影响。当您随后实际以某种执行模式运行算法时，系统将执行估算。如果估算显示执行超出其内存限制的可能性很高，则禁止执行。要了解更多信息，请参阅自动估算和执行阻止。

有关 estimate 的更多详细信息，请参阅内存估算。

在 stream 执行模式下，算法返回每个节点的分数。这使我们能够直接检查结果或在 Cypher 中对其进行后处理，而不会产生任何副作用。例如，我们可以对结果进行排序，以找到具有最高特征向量分数的节点。

有关 stream 模式的更多详细信息，请参阅流模式。

上述查询以无权重模式在 stream 模式下运行算法。下面，可以找到加权图的示例。

在 stats 执行模式下，算法返回一行，其中包含算法结果的摘要。例如，特征向量统计返回中心性直方图，可用于监控所有计算节点的中心性分数分布。此执行模式没有任何副作用。通过检查 computeMillis 返回项来评估算法性能会很有用。在下面的示例中，我们将省略返回时间。该过程的完整签名可在语法部分找到。

有关 stats 模式的更多详细信息，请参阅统计模式。

mutate 执行模式扩展了 stats 模式，具有一个重要的副作用：使用包含该节点分数的新节点属性更新命名图。新属性的名称使用强制配置参数 mutateProperty 指定。结果是一行摘要，类似于 stats，但包含一些附加指标。当多个算法结合使用时，mutate 模式特别有用。

有关 mutate 模式的更多详细信息，请参阅变异模式。

write 执行模式扩展了 stats 模式，具有一个重要的副作用：将每个节点的分数作为属性写入 Neo4j 数据库。新属性的名称使用强制配置参数 writeProperty 指定。结果是一行摘要，类似于 stats，但包含一些附加指标。write 模式支持将结果直接持久化到数据库。

有关 write 模式的更多详细信息，请参阅写入模式。

默认情况下，算法认为图中的关系是无权重的。要更改此行为，我们可以使用 relationshipWeightProperty 配置参数。如果设置了该参数，则关联的属性值将用作关系权重。在加权情况下，发送给其邻居的节点的先前分数将乘以归一化的关系权重。请注意，在计算过程中，负关系权重将被忽略。

在以下示例中，我们使用输入图的 weight 属性作为关系权重属性。

与无权重示例一样，"Home" 节点具有最高分数。相比之下，"Product" 现在具有第二高分数，而不是第四高分数。

tolerance 配置参数表示迭代之间分数的最小变化量。如果所有分数的变化都小于配置的容差，则迭代将中止并被视为收敛。请注意，设置更高的容差会导致更早收敛，但也会导致中心性分数不太准确。

我们使用 tolerance: 0.1，这导致与流模式示例相比略有不同的结果。然而，计算在四次迭代后收敛，我们已经可以观察到结果分数的趋势。

个性化 Article Rank 是 Article Rank 的一种变体，它偏向于一组 sourceNodes。默认情况下，随机游走以相同的概率传送到图中的任何节点。与 PageRank 一样，这可以改为仅传送到一组 sourceNodes。

以下示例展示了如何围绕 'Site A' 和 'Site B' 运行 Article Rank。

将这些结果与流模式示例（未使用 sourceNodes 配置参数）中的结果进行比较，结果显示我们用于 sourceNodes 列表中的 'Site A' 和 'Site B' 节点现在得分分别为第二和第三，而不是第四和第五。

与个性化 PageRank 类似，GDS 允许对 sourceNodes 进行不同的加权，从而增加传送到某些节点的可能性。

以下示例展示了如何围绕 'Site A' 和 'Site B' 运行 Article Rank，其中 'Site B' 的偏置是 'Site A' 的两倍。偏置源节点以节点-值对（列表）的形式输入。

为了将最终分数作为算法执行的一部分进行归一化，可以使用 scaler 配置参数。所有可用缩放器的说明可在 scaleProperties 过程的文档中找到。

将结果与流模式示例进行比较，我们可以看到分数的相对顺序是相同的。