标签传播

首先，我们将使用 estimate 过程估计运行算法的成本。这可以在任何执行模式下完成。在本示例中，我们将使用 write 模式。估计算法有助于了解在图上运行算法将产生的内存影响。当您稍后在其中一种执行模式下实际运行算法时，系统将执行估计。如果估计表明执行很有可能超过其内存限制，则会禁止执行。要了解有关此内容的更多信息，请参见 自动估计和执行阻止。

有关 estimate 的更多详细信息，请参见 内存估计。

在 stream 执行模式下，算法会返回每个节点的社区 ID。这使我们可以直接检查结果，或者在 Cypher 中对结果进行后处理，而不会产生任何副作用。例如，我们可以对结果进行排序，以查看属于同一个社区的节点彼此相邻显示。

有关 stream 模式的更多详细信息，请参见 流。

在上面的示例中，我们可以看到我们的图有两个社区，每个社区包含三个节点。算法的默认行为是运行 unweighted，例如，不使用 node 或 relationship 权重。weighted 选项将在 加权 中演示

在 stats 执行模式下，算法会返回包含算法结果摘要的单行。此执行模式没有任何副作用。通过检查 computeMillis 返回项，它可以用于评估算法性能。在以下示例中，我们将省略返回计时。可以在 语法部分 中找到该过程的完整签名。

有关 stats 模式的更多详细信息，请参见 统计。

从上面的示例中我们可以看到，算法找到了两个社区，并在三次迭代中收敛。请注意，我们以 unweighted 方式运行了算法。

mutate 执行模式扩展了 stats 模式，并具有一个重要的副作用：使用一个包含该节点的社区 ID 的新节点属性更新命名的图。新属性的名称使用强制配置参数 mutateProperty 指定。结果是单行摘要，类似于 stats，但具有一些额外的指标。mutate 模式在多个算法联合使用时尤其有用。

有关 mutate 模式的更多详细信息，请参见 变异。

返回的结果与 stats 示例中的结果相同。此外，图“myGraph”现在具有一个节点属性 community，用于存储每个节点的社区 ID。要了解如何检查内存中图的新架构，请参见 列出图。

write 执行模式扩展了 stats 模式，并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。新属性的名称使用必需的配置参数 writeProperty 指定。结果是一行与 stats 类似的汇总行，但包含一些额外的指标。write 模式支持将结果直接持久化到数据库中。

有关 write 模式的更多详细信息，请参阅 写入。

返回的结果与 stats 示例中的相同。此外，六个节点中的每一个现在在 Neo4j 数据库中都有一个新的属性 community，其中包含该节点的社区 ID。

当我们投影 myGraph 时，我们也投影了关系属性 weight。为了告诉算法将此属性视为关系权重，我们必须将 relationshipWeightProperty 配置参数设置为 weight。

与算法的 无权运行 相比，我们仍然有两个社区，但它们分别包含两个和四个节点。使用加权关系，节点 Alice 和 Charles 现在位于同一个社区中，因为它们之间存在强链接。

在算法计算开始时，每个节点都使用唯一标签进行初始化，并且标签通过网络传播。

可以通过设置 seedProperty 配置参数来提供一组初始标签。当我们投影 myGraph 时，我们也投影了节点属性 seed_label。我们可以使用此节点属性作为 seedProperty。

算法首先检查节点是否分配了种子标签。如果不存在种子标签，则算法会为该节点分配新的唯一标签。使用此初步标签集，它随后会按顺序将每个节点的标签更新为一个新的标签，该标签在标签传播的每次迭代中都是其邻居中最频繁的标签。

正如我们所见，社区是基于 seed_label 属性的，具体来说，19 来自节点 Mark，52 来自 Alice。