Louvain

有向

无向

异构节点

异构关系

加权关系

词汇表

有向: 有向特性。该算法在有向图上定义良好。
有向: 有向特性。该算法忽略图的方向。
有向: 有向特性。该算法不在有向图上运行。
无向: 无向特性。该算法在无向图上定义良好。
无向: 无向特性。该算法忽略图的无向性。
异构节点: 异构节点完全支持。该算法能够区分不同类型的节点。
异构节点: 异构节点允许。该算法对所有选定的节点进行类似处理，无论其标签如何。
异构关系: 异构关系完全支持。该算法能够区分不同类型的关系。
异构关系: 异构关系允许。该算法对所有选定的关系进行类似处理，无论其类型如何。
加权关系: 加权特性。该算法支持将关系属性用作权重，通过 relationshipWeightProperty 配置参数指定。
加权关系: 加权特性。该算法将每个关系视为同等重要，并丢弃任何关系权重的值。

简介

Louvain 方法是一种在大规模网络中检测社区的算法。它为每个社区最大化模块度分数，模块度量化了节点分配到社区的质量。这意味着它评估社区内的节点连接密度与随机网络中它们的连接密度相比高出多少。

Louvain 算法是一种分层聚类算法，它递归地将社区合并为一个节点，并在压缩的图上执行模块度聚类。

有关此算法的更多信息，请参阅

运行此算法需要足够的内存。在运行此算法之前，建议您阅读内存估算。

语法

本节涵盖了在每种执行模式下执行 Louvain 算法所使用的语法。我们将描述命名图语法的变体。要了解更多关于通用语法变体的信息，请参阅语法概述。

Louvain 各模式语法

在流模式下在命名图上运行 Louvain。

CALL gds.louvain.stream(
  graphName: String,
  configuration: Map
)
YIELD
  nodeId: Integer,
  communityId: Integer,
  intermediateCommunityIds: List of Integer

表 1. 参数
名称	类型	默认值	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
configuration	映射	`{}`	是	算法特定和/或图过滤的配置。

表 2. 配置
名称	类型	默认值	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。将包含具有任何给定标签的节点。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。将包含具有任何给定类型的关系。
concurrency	整数	`4 ^[1]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	一个 ID，可以提供以便更轻松地跟踪算法的进度。
logProgress	布尔	`true`	是	如果禁用，将不会记录进度百分比。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将无权重运行。
seedProperty	字符串	`不适用`	是	用于设置节点的初始社区。属性值必须是非负数。
maxLevels	整数	`10`	是	图中聚类并随后压缩的最大级别数。
maxIterations	整数	`10`	是	每个级别模块度优化将运行的最大迭代次数。
tolerance	浮点数	`0.0001`	是	迭代之间模块度的最小变化。如果模块度变化小于容差值，则结果被认为是稳定的，算法返回。
includeIntermediateCommunities	布尔	`false`	是	指示是否写入中间社区。如果设置为 false，则仅保留最终社区。
consecutiveIds	布尔	`false`	是	一个标志，用于决定组件标识符是否映射到连续的 ID 空间（需要额外内存）。不能与 `includeIntermediateCommunities` 标志结合使用。
minCommunitySize	整数	`0`	是	仅返回社区大小大于或等于给定值的节点。
1. 在 GDS 会话中，默认值为可用处理器数量

表 3. 结果
名称	类型	描述
nodeId	整数	节点 ID。
communityId	整数	最终级别的社区 ID。
intermediateCommunityIds	整数列表	每个级别的社区 ID。如果 `includeIntermediateCommunities` 设置为 false，则为 `Null`。

在统计模式下在命名图上运行 Louvain。

CALL gds.louvain.stats(
  graphName: String,
  configuration: Map
)
YIELD
  preProcessingMillis: Integer,
  computeMillis: Integer,
  postProcessingMillis: Integer,
  communityCount: Integer,
  ranLevels: Integer,
  modularity: Float,
  modularities: List of Float,
  communityDistribution: Map,
  configuration: Map

表 4. 参数
名称	类型	默认值	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
configuration	映射	`{}`	是	算法特定和/或图过滤的配置。

表 5. 配置
名称	类型	默认值	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。将包含具有任何给定标签的节点。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。将包含具有任何给定类型的关系。
concurrency	整数	`4 ^[2]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	一个 ID，可以提供以便更轻松地跟踪算法的进度。
logProgress	布尔	`true`	是	如果禁用，将不会记录进度百分比。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将无权重运行。
seedProperty	字符串	`不适用`	是	用于设置节点的初始社区。属性值必须是非负数。
maxLevels	整数	`10`	是	图中聚类并随后压缩的最大级别数。
maxIterations	整数	`10`	是	每个级别模块度优化将运行的最大迭代次数。
tolerance	浮点数	`0.0001`	是	迭代之间模块度的最小变化。如果模块度变化小于容差值，则结果被认为是稳定的，算法返回。
includeIntermediateCommunities	布尔	`false`	是	指示是否写入中间社区。如果设置为 false，则仅保留最终社区。
consecutiveIds	布尔	`false`	是	一个标志，用于决定组件标识符是否映射到连续的 ID 空间（需要额外内存）。不能与 `includeIntermediateCommunities` 标志结合使用。
2. 在 GDS 会话中，默认值为可用处理器数量

表 6. 结果
名称	类型	描述
preProcessingMillis	整数	预处理数据所需毫秒数。
computeMillis	整数	运行算法所需毫秒数。
postProcessingMillis	整数	计算百分位数和社区计数所需毫秒数。
communityCount	整数	找到的社区数量。
ranLevels	整数	算法实际运行的超步骤数量。
modularity	浮点数	最终模块度分数。
modularities	浮点数列表	每个级别的模块度分数。
communityDistribution	映射	包含 min、max、mean 以及 p1、p5、p10、p25、p50、p75、p90、p95、p99 和 p999 百分位值的映射，用于最后一个级别的社区大小。
configuration	映射	用于运行算法的配置。

在变异模式下在命名图上运行 Louvain。

CALL gds.louvain.mutate(
  graphName: String,
  configuration: Map
)
YIELD
  preProcessingMillis: Integer,
  computeMillis: Integer,
  mutateMillis: Integer,
  postProcessingMillis: Integer,
  communityCount: Integer,
  ranLevels: Integer,
  modularity: Float,
  modularities: List of Float,
  nodePropertiesWritten: Integer,
  communityDistribution: Map,
  configuration: Map

表 7. 参数
名称	类型	默认值	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
configuration	映射	`{}`	是	算法特定和/或图过滤的配置。

表 8. 配置
名称	类型	默认值	可选	描述
mutateProperty	字符串	`不适用`	否	要将社区 ID 写入的 GDS 图中的节点属性。
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。
concurrency	整数	`4`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	一个 ID，可以提供以便更轻松地跟踪算法的进度。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将无权重运行。
seedProperty	字符串	`不适用`	是	用于设置节点的初始社区。属性值必须是非负数。
maxLevels	整数	`10`	是	图中聚类并随后压缩的最大级别数。
maxIterations	整数	`10`	是	每个级别模块度优化将运行的最大迭代次数。
tolerance	浮点数	`0.0001`	是	迭代之间模块度的最小变化。如果模块度变化小于容差值，则结果被认为是稳定的，算法返回。
includeIntermediateCommunities	布尔	`false`	是	指示是否写入中间社区。如果设置为 false，则仅保留最终社区。
consecutiveIds	布尔	`false`	是	一个标志，用于决定组件标识符是否映射到连续的 ID 空间（需要额外内存）。不能与 `includeIntermediateCommunities` 标志结合使用。

表 9. 结果
名称	类型	描述
preProcessingMillis	整数	预处理数据所需毫秒数。
computeMillis	整数	运行算法所需毫秒数。
mutateMillis	整数	将属性添加到投影图所需毫秒数。
postProcessingMillis	整数	计算百分位数和社区计数所需毫秒数。
communityCount	整数	找到的社区数量。
ranLevels	整数	算法实际运行的超步骤数量。
modularity	浮点数	最终模块度分数。
modularities	浮点数列表	每个级别的模块度分数。
nodePropertiesWritten	整数	添加到投影图的属性数量。
communityDistribution	映射	包含 min、max、mean 以及 p1、p5、p10、p25、p50、p75、p90、p95、p99 和 p999 百分位值的映射，用于最后一个级别的社区大小。
configuration	映射	用于运行算法的配置。

在写入模式下在命名图上运行 Louvain。

CALL gds.louvain.write(
  graphName: String,
  configuration: Map
)
YIELD
  preProcessingMillis: Integer,
  computeMillis: Integer,
  writeMillis: Integer,
  postProcessingMillis: Integer,
  nodePropertiesWritten: Integer,
  communityCount: Integer,
  ranLevels: Integer,
  modularity: Float,
  modularities: List of Float,
  communityDistribution: Map,
  configuration: Map

表 10. 参数
名称	类型	默认值	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
configuration	映射	`{}`	是	算法特定和/或图过滤的配置。

表 11. 配置
名称	类型	默认值	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。将包含具有任何给定标签的节点。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。将包含具有任何给定类型的关系。
concurrency	整数	`4 ^[3]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	一个 ID，可以提供以便更轻松地跟踪算法的进度。
logProgress	布尔	`true`	是	如果禁用，将不会记录进度百分比。
writeConcurrency	整数	`'concurrency' 的值`	是	用于将结果写入 Neo4j 的并发线程数。
writeProperty	字符串	`不适用`	否	要将社区 ID 写入的 Neo4j 数据库中的节点属性。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将无权重运行。
seedProperty	字符串	`不适用`	是	用于设置节点的初始社区。属性值必须是非负数。
maxLevels	整数	`10`	是	图中聚类并随后压缩的最大级别数。
maxIterations	整数	`10`	是	每个级别模块度优化将运行的最大迭代次数。
tolerance	浮点数	`0.0001`	是	迭代之间模块度的最小变化。如果模块度变化小于容差值，则结果被认为是稳定的，算法返回。
includeIntermediateCommunities	布尔	`false`	是	指示是否写入中间社区。如果设置为 false，则仅保留最终社区。
consecutiveIds	布尔	`false`	是	一个标志，用于决定组件标识符是否映射到连续的 ID 空间（需要额外内存）。不能与 `includeIntermediateCommunities` 标志结合使用。
minCommunitySize	整数	`0`	是	仅将社区大小大于或等于给定值的社区 ID 写入 Neo4j。
3. 在 GDS 会话中，默认值为可用处理器数量

表 12. 结果
名称	类型	描述
preProcessingMillis	整数	预处理数据所需毫秒数。
computeMillis	整数	运行算法所需毫秒数。
writeMillis	整数	写回结果数据所需毫秒数。
postProcessingMillis	整数	计算百分位数和社区计数所需毫秒数。
nodePropertiesWritten	整数	写入的节点属性数量。
communityCount	整数	找到的社区数量。
ranLevels	整数	算法实际运行的超步骤数量。
modularity	浮点数	最终模块度分数。
modularities	浮点数列表	每个级别的模块度分数。
communityDistribution	映射	包含 min、max、mean 以及 p1、p5、p10、p25、p50、p75、p90、p95、p99 和 p999 百分位值的映射，用于最后一个级别的社区大小。
configuration	映射	用于运行算法的配置。

示例

以下所有示例都应在空数据库中运行。

示例使用 Cypher 投影作为标准。原生投影将在未来版本中弃用。

在本节中，我们将展示在具体图上运行 Louvain 社区检测算法的示例。目的是说明结果是什么样子，并提供在实际设置中如何使用该算法的指南。我们将在一个由少数节点以特定模式连接的小型社交网络图上进行此操作。示例图如下所示：

以下 Cypher 语句将在 Neo4j 数据库中创建示例图

CREATE
  (nAlice:User {name: 'Alice', seed: 42}),
  (nBridget:User {name: 'Bridget', seed: 42}),
  (nCharles:User {name: 'Charles', seed: 42}),
  (nDoug:User {name: 'Doug'}),
  (nMark:User {name: 'Mark'}),
  (nMichael:User {name: 'Michael'}),

  (nAlice)-[:LINK {weight: 1}]->(nBridget),
  (nAlice)-[:LINK {weight: 1}]->(nCharles),
  (nCharles)-[:LINK {weight: 1}]->(nBridget),

  (nAlice)-[:LINK {weight: 5}]->(nDoug),

  (nMark)-[:LINK {weight: 1}]->(nDoug),
  (nMark)-[:LINK {weight: 1}]->(nMichael),
  (nMichael)-[:LINK {weight: 1}]->(nMark);

此图有两个紧密连接的用户集群。这些集群之间只有一条边。连接每个组件中节点的关系具有一个 weight 属性，该属性决定了关系的强度。

我们现在可以投影图并将其存储在图目录中。我们加载方向设置为 UNDIRECTED 的 LINK 关系，因为这与 Louvain 算法配合得最好。

以下语句将投影图并将其存储在图目录中。

MATCH (source:User)
OPTIONAL MATCH (source)-[r:LINK]->(target:User)
RETURN gds.graph.project(
  'myGraph',
  source,
  target,
  {
    sourceNodeProperties: source { .seed },
    targetNodeProperties: target { .seed },
    relationshipProperties: r { .weight }
  },
  { undirectedRelationshipTypes: ['*'] }
)

在以下示例中，我们将演示在此图上使用 Louvain 算法。

内存估算

首先，我们将使用 estimate 过程估算运行算法的成本。这可以通过任何执行模式完成。在此示例中，我们将使用 write 模式。估算算法有助于了解在图上运行算法对内存的影响。当您稍后实际在某种执行模式下运行算法时，系统将执行估算。如果估算显示执行极有可能超出其内存限制，则将禁止执行。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。

以下将估算运行算法所需的内存

CALL gds.louvain.write.estimate('myGraph', { writeProperty: 'community' })
YIELD nodeCount, relationshipCount, bytesMin, bytesMax, requiredMemory

表 13. 结果
nodeCount	relationshipCount	bytesMin	bytesMax	requiredMemory
6	14	5321	563216	"[5321 字节 ... 550 KiB]"

流

在 stream 执行模式下，算法返回每个节点的社区 ID。这使我们能够直接检查结果或在 Cypher 中对其进行后处理，而没有任何副作用。

有关 stream 模式的更多详细信息，请参阅流。

以下将运行算法并流式传输结果

CALL gds.louvain.stream('myGraph')
YIELD nodeId, communityId, intermediateCommunityIds
RETURN gds.util.asNode(nodeId).name AS name, communityId
ORDER BY name ASC

表 14. 结果
name	communityId
"Alice"	3
"Bridget"	3
"Charles"	3
"Doug"	5
"Mark"	5
"Michael"	5

我们对过程配置参数使用默认值。级别和 innerIterations 设置为 10，容差值为 0.0001。

统计

在 stats 执行模式下，算法返回一个单行，其中包含算法结果的摘要。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可能很有用。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以在语法部分中找到。

有关 stats 模式的更多详细信息，请参阅统计。

以下将运行算法并以统计和测量值的形式返回结果

CALL gds.louvain.stats('myGraph')
YIELD communityCount

表 15. 结果
communityCount
2

变异

mutate 执行模式扩展了 stats 模式，具有一个重要的副作用：用包含该节点社区 ID 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。结果是一个单行摘要，类似于 stats，但带有一些额外的指标。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。

以下将运行算法并将结果存储在 myGraph 中

CALL gds.louvain.mutate('myGraph', { mutateProperty: 'communityId' })
YIELD communityCount, modularity, modularities

表 16. 结果
communityCount	modularity	modularities
2	0.3571428571428571	[0.3571428571428571]

在 mutate 模式下，过程只返回一行。结果包含元信息，如识别出的社区数量和模块度值。与 write 模式不同，结果写入 GDS 内存图而不是 Neo4j 数据库。

写入

write 执行模式扩展了 stats 模式，具有一个重要的副作用：将每个节点的社区 ID 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。结果是一个单行摘要，类似于 stats，但带有一些额外的指标。write 模式能够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。

以下运行算法，并将结果写回

CALL gds.louvain.write('myGraph', { writeProperty: 'community' })
YIELD communityCount, modularity, modularities

表 17. 结果
communityCount	modularity	modularities
2	0.3571428571428571	[0.3571428571428571]

写回结果时，过程只返回一行。结果包含元信息，如识别出的社区数量和模块度值。

加权

Louvain 算法也可以在加权图上运行，在计算模块度时考虑给定的关系权重。

以下将在加权图上运行算法并流式传输结果

CALL gds.louvain.stream('myGraph', { relationshipWeightProperty: 'weight' })
YIELD nodeId, communityId, intermediateCommunityIds
RETURN gds.util.asNode(nodeId).name AS name, communityId
ORDER BY name ASC

表 18. 结果
name	communityId
"Alice"	1
"Bridget"	3
"Charles"	3
"Doug"	1
"Mark"	5
"Michael"	5

使用加权关系，我们看到 Alice 和 Doug 形成了自己的社区，因为他们的连接比其他所有连接都强得多。

seeded (种子)

Louvain 算法可以通过提供一个种子属性来增量运行。通过种子属性，可以为加载节点的一个子集提供初始社区映射。算法将尝试保留种子社区 ID。

以下将运行算法并流式传输结果

CALL gds.louvain.stream('myGraph', { seedProperty: 'seed' })
YIELD nodeId, communityId, intermediateCommunityIds
RETURN gds.util.asNode(nodeId).name AS name, communityId
ORDER BY name ASC

表 19. 结果
name	communityId
"Alice"	42
"Bridget"	42
"Charles"	42
"Doug"	47
"Mark"	47
"Michael"	47

使用带种子的图，我们看到 Alice 周围的社区保留了其初始社区 ID 42。另一个社区被分配了一个新的社区 ID，该 ID 保证大于最大的种子社区 ID。请注意，consecutiveIds 配置选项不能与种子结合使用，以便保留种子值。

使用中间社区

如前所述，Louvain 是一种分层聚类算法。这意味着在每个聚类步骤之后，属于同一聚类的所有节点都被简化为一个节点。同一聚类内的节点之间的关系变为自关系，与其他聚类节点的关系连接到聚类的代表。然后使用这个压缩的图来运行下一级聚类。这个过程重复进行，直到聚类稳定。

为了演示这种迭代行为，我们需要构建一个更复杂的图。

CREATE (a:Node {name: 'a'})
CREATE (b:Node {name: 'b'})
CREATE (c:Node {name: 'c'})
CREATE (d:Node {name: 'd'})
CREATE (e:Node {name: 'e'})
CREATE (f:Node {name: 'f'})
CREATE (g:Node {name: 'g'})
CREATE (h:Node {name: 'h'})
CREATE (i:Node {name: 'i'})
CREATE (j:Node {name: 'j'})
CREATE (k:Node {name: 'k'})
CREATE (l:Node {name: 'l'})
CREATE (m:Node {name: 'm'})
CREATE (n:Node {name: 'n'})
CREATE (x:Node {name: 'x'})

CREATE (a)-[:TYPE]->(b)
CREATE (a)-[:TYPE]->(d)
CREATE (a)-[:TYPE]->(f)
CREATE (b)-[:TYPE]->(d)
CREATE (b)-[:TYPE]->(x)
CREATE (b)-[:TYPE]->(g)
CREATE (b)-[:TYPE]->(e)
CREATE (c)-[:TYPE]->(x)
CREATE (c)-[:TYPE]->(f)
CREATE (d)-[:TYPE]->(k)
CREATE (e)-[:TYPE]->(x)
CREATE (e)-[:TYPE]->(f)
CREATE (e)-[:TYPE]->(h)
CREATE (f)-[:TYPE]->(g)
CREATE (g)-[:TYPE]->(h)
CREATE (h)-[:TYPE]->(i)
CREATE (h)-[:TYPE]->(j)
CREATE (i)-[:TYPE]->(k)
CREATE (j)-[:TYPE]->(k)
CREATE (j)-[:TYPE]->(m)
CREATE (j)-[:TYPE]->(n)
CREATE (k)-[:TYPE]->(m)
CREATE (k)-[:TYPE]->(l)
CREATE (l)-[:TYPE]->(n)
CREATE (m)-[:TYPE]->(n);

以下语句将投影图并将其存储在图目录中。

MATCH (source:Node)
OPTIONAL MATCH (source)-[r:TYPE]->(target:Node)
RETURN gds.graph.project(
  'myGraph2',
  source,
  target,
  {},
  { undirectedRelationshipTypes: ['*'] }
)

流式传输中间社区

以下将运行算法并流式传输结果，包括中间社区

CALL gds.louvain.stream('myGraph2', { includeIntermediateCommunities: true })
YIELD nodeId, communityId, intermediateCommunityIds
RETURN gds.util.asNode(nodeId).name AS name, communityId, intermediateCommunityIds
ORDER BY name ASC

表 20. 结果
name	communityId	intermediateCommunityIds
"a"	6	[2, 6]
"b"	6	[2, 6]
"c"	6	[6, 6]
"d"	6	[2, 6]
"e"	6	[6, 6]
"f"	6	[6, 6]
"g"	11	[11, 11]
"h"	11	[11, 11]
"i"	11	[11, 11]
"j"	10	[10, 10]
"k"	10	[10, 10]
"l"	10	[10, 10]
"m"	10	[10, 10]
"n"	10	[10, 10]
"x"	6	[6, 6]

在这个示例图中，第一次迭代后我们看到 4 个集群，在第二次迭代中减少到 3 个。

变异中间社区

以下将运行算法并修改内存中的图

CALL gds.louvain.mutate('myGraph2', {
  mutateProperty: 'intermediateCommunities',
  includeIntermediateCommunities: true
})
YIELD communityCount, modularity, modularities

表 21. 结果
communityCount	modularity	modularities
3	0.3816	[0.37599999999999995, 0.3816]

以下从内存图流式传输变异属性

CALL gds.graph.nodeProperty.stream('myGraph2', 'intermediateCommunities')
YIELD nodeId, propertyValue
RETURN
  gds.util.asNode(nodeId).name AS name,
  toIntegerList(propertyValue) AS intermediateCommunities
ORDER BY name ASC

表 22. 结果
name	intermediateCommunities
"a"	[2, 6]
"b"	[2, 6]
"c"	[6, 6]
"d"	[2, 6]
"e"	[6, 6]
"f"	[6, 6]
"g"	[11, 11]
"h"	[11, 11]
"i"	[11, 11]
"j"	[10, 10]
"k"	[10, 10]
"l"	[10, 10]
"m"	[10, 10]
"n"	[10, 10]
"x"	[6, 6]

写入中间社区

以下将运行算法并写入 Neo4j 数据库

CALL gds.louvain.write('myGraph2', {
  writeProperty: 'intermediateCommunities',
  includeIntermediateCommunities: true
})
YIELD communityCount, modularity, modularities

表 23. 结果
communityCount	modularity	modularities
3	0.3816	[0.37599999999999995, 0.3816]

以下将从 Neo4j 数据库流式传输写入的属性

MATCH (n:Node) RETURN n.name AS name, toIntegerList(n.intermediateCommunities) AS intermediateCommunities
ORDER BY name ASC

表 24. 结果
name	intermediateCommunities
"a"	[2, 6]
"b"	[2, 6]
"c"	[6, 6]
"d"	[2, 6]
"e"	[6, 6]
"f"	[6, 6]
"g"	[11, 11]
"h"	[11, 11]
"i"	[11, 11]
"j"	[10, 10]
"k"	[10, 10]
"l"	[10, 10]
"m"	[10, 10]
"n"	[10, 10]
"x"	[6, 6]