社交推荐 Demo

背景

在社交媒体与内容平台中，信息过载是普遍挑战。传统的基于流行度或协同过滤的推荐系统，往往忽略了用户之间复杂的社交关系、兴趣传导和影响力路径，导致推荐结果缺乏个性化和解释性。

图数据库能够将用户、内容、社群、标签等实体以及它们之间的好友、关注、互动等关系构建成一个动态的兴趣社交网络，并通过图遍历和路径分析挖掘潜在的兴趣社群、识别内容传播路径，从而生成更精准、更具社交说服力的推荐。

本 Demo 以社交推荐为场景，建立包含用户、内容、社群、标签等实体的兴趣关联网络，并演示多种图查询，帮助产品与算法人员快速构建和验证社交推荐逻辑。

图模型设计

💡在实际使用场景中，可对 Schema 进行相应修改与管理，为便于在线体验本 Demo 暂不支持。

首先创建图类型与图空间，并执行以下语句定义节点、边结构及属性：

CREATE GRAPH TYPE IF NOT EXISTS `social_recommendation` AS {
  NODE TYPE `Person` (LABEL `Person`{`person_id` STRING NOT NULL, `name` STRING DEFAULT NULL, `city` STRING DEFAULT NULL, `register_time` ZONED DATETIME DEFAULT NULL, PRIMARY KEY (`person_id`)}),
  NODE TYPE `Community` (LABEL `Community`{`community_id` STRING NOT NULL, `name` STRING DEFAULT NULL, `topic` STRING DEFAULT NULL, `created_time` ZONED DATETIME DEFAULT NULL, PRIMARY KEY (`community_id`)}),
  NODE TYPE `Content` (LABEL `Content`{`content_id` STRING NOT NULL, `title` STRING DEFAULT NULL, `category` STRING DEFAULT NULL, `publish_time` ZONED DATETIME DEFAULT NULL, PRIMARY KEY (`content_id`)}),
  NODE TYPE `UserTag` (LABEL `UserTag`{`tag_name` STRING NOT NULL, PRIMARY KEY (`tag_name`)}),
  EDGE TYPE `Friend` (`Person`)-[LABEL `Friend`{`since_time` ZONED DATETIME NOT NULL, `closeness` DOUBLE DEFAULT NULL, MULTIEDGE KEY(`since_time`)}]->(`Person`),
  EDGE TYPE `MemberOf` (`Person`)-[LABEL `MemberOf`{`join_time` ZONED DATETIME NOT NULL, `role_name` STRING DEFAULT NULL, MULTIEDGE KEY(`join_time`)}]->(`Community`),
  EDGE TYPE `Forward` (`Person`)-[LABEL `Forward`{`forward_time` ZONED DATETIME NOT NULL, `action_weight` DOUBLE DEFAULT NULL, MULTIEDGE KEY(`forward_time`)}]->(`Content`),
  EDGE TYPE `Like` (`Person`)-[LABEL `Like`{`like_time` ZONED DATETIME NOT NULL, `score` DOUBLE DEFAULT NULL, MULTIEDGE KEY(`like_time`)}]->(`Content`),
  EDGE TYPE `Comment` (`Person`)-[LABEL `Comment`{`comment_time` ZONED DATETIME NOT NULL, `content_text` STRING DEFAULT NULL, MULTIEDGE KEY(`comment_time`)}]->(`Content`),
  EDGE TYPE `FollowKOL` (`Person`)-[LABEL `FollowKOL`{`follow_time` ZONED DATETIME NOT NULL, `interaction_level` DOUBLE DEFAULT NULL, MULTIEDGE KEY(`follow_time`)}]->(`Person`),
  EDGE TYPE `HasInterest` (`Person`)-[LABEL `HasInterest`{`weight` DOUBLE DEFAULT NULL}]->(`UserTag`),
  EDGE TYPE `Cites` (`Content`)-[LABEL `Cites`{`cite_time` ZONED DATETIME DEFAULT NULL}]->(`Content`)
}


CREATE GRAPH `social_recommendation` :: `social_recommendation`

以下是您所需的“社交推荐”场景下的节点类型和边类型，已整理为清晰的 Markdown 格式。

1. 节点类型

节点类型	标签	核心属性
用户（自然人）	`Person`	`person_id` (唯一标识), `name` (昵称/姓名), `city` (所在城市), `register_time` (注册时间)
社区/圈子	`Community`	`community_id` (唯一标识), `name` (社区名称), `topic` (主题分类), `created_time` (创建时间)
内容/帖子	`Content`	`content_id` (唯一标识), `title` (标题), `category` (内容分类), `publish_time` (发布时间)
用户兴趣标签	`UserTag`	`tag_name` (标签名，如“AI”、“旅行”)

2. 边类型

边类型	起始节点 → 目标节点	说明
`Friend`	`Person` → `Person`	好友关系（双向社交）
`FollowKOL`	`Person` → `Person`	关注 KOL/大V（单向社交）
`MemberOf`	`Person` → `Community`	加入社区/群组
`Forward`	`Person` → `Content`	转发/分享内容
`Like`	`Person` → `Content`	点赞/喜欢内容
`Comment`	`Person` → `Content`	评论内容
`HasInterest`	`Person` → `UserTag`	用户兴趣标签
`Cites`	`Content` → `Content`	内容引用/关联

数据导入

💡本 Demo 仅预置 30 名用户及数千条社交关系，实际导入时，数据量可达亿级。

-- 导入用户节点
TABLE `person_data` { `person_id`, `name`, `city`, `register_time` } = 
("p001", "Alice", "Beijing", "2024-01-05T09:00:00 +0800"),
("p002", "Bob", "Beijing", "2024-01-06T10:30:00 +0800"),
...
("p030", "Derek", "Hangzhou", "2024-02-03T13:00:00 +0800");

USE `social_recommendation`
FOR re IN `person_data`
INSERT (@`Person` {`person_id`: re.`person_id`, `name`: re.`name`, `city`: re.`city`, `register_time`: CAST(re.`register_time` AS ZONED DATETIME)});

-- 导入社群节点
TABLE `community_data` { `community_id`, `name`, `topic`, `created_time` } = 
("c001", "AI与大模型研究", "Technology", "2023-12-01T08:00:00 +0800"),
("c002", "电商运营交流", "Business", "2023-12-05T09:00:00 +0800"),
("c003", "硬核数码科技", "Hardware", "2023-12-10T10:00:00 +0800"),
("c004", "城市慢生活", "Lifestyle", "2023-12-15T11:00:00 +0800");

USE `social_recommendation`
FOR re IN `community_data`
INSERT (@`Community` {`community_id`: re.`community_id`, `name`: re.`name`, `topic`: re.`topic`, `created_time`: CAST(re.`created_time` AS ZONED DATETIME)});

-- 导入内容节点
TABLE `content_data` { `content_id`, `title`, `category`, `publish_time` } = 
("ct001", "图数据库在AI时代的机遇", "Tech", "2024-03-01T08:00:00 +0800"),
("ct002", "2024电商新风向标", "Business", "2024-03-02T09:00:00 +0800"),
("ct003", "深度解析PageRank算法", "Tech", "2024-03-03T10:00:00 +0800"),
...
("ct010", "如何高效管理时间", "Life", "2024-03-10T17:00:00 +0800");

USE `social_recommendation`
FOR re IN `content_data`
INSERT (@`Content` {`content_id`: re.`content_id`, `title`: re.`title`, `category`: re.`category`, `publish_time`: CAST(re.`publish_time` AS ZONED DATETIME)});

-- 导入兴趣标签节点
TABLE `tag_data` { `tag_name` } = 
("人工智能"),
("电商运营"),
("数码测评"),
("生活美学"),
("后端开发");

USE `social_recommendation`
FOR re IN `tag_data`
INSERT (@`UserTag` {`tag_name`: re.`tag_name`});

关键查询示例

1. 查找某人的 1-3 度好友

目的：全面掌握目标用户的社交网络范围，发现潜在的兴趣传播路径和社群影响力范围。

USE `social_recommendation`
MATCH p=(src@`Person` {`person_id`: "p001"})-[:`Friend`]-{1,3}(friend)
RETURN p

基于图的解释：该图展示了从用户 p001 出发，经过 1 到 3 跳好友关系能到达的所有用户节点及路径。

2. 熟人好友推荐

目的：基于“朋友的朋友是朋友”的社交理论，通过共同好友数量为用户推荐可能认识的人。

USE `social_recommendation`
MATCH (src@`Person` {`person_id`: "p001"})-[:`Friend`]-(mutual_friend)-[:`Friend`]-(candidate)
WHERE candidate.`person_id` <> "p001" // 排除自己
  AND NOT EXISTS((src)-[:`Friend`]-(candidate)) // 排除已经是好友的人
RETURN candidate.`person_id` AS recommended_friend, 
       candidate.`name` AS name, 
       count(mutual_friend) AS mutual_friends_count
ORDER BY mutual_friends_count DESC 
LIMIT 10

基于表格的解释：为用户 p001 推荐共同好友最多的前 10 位潜在朋友。mutual_friends_count 越高，推荐的理由越充分，用户接受推荐的概率越大。

3. 兴趣社群推荐 (基于朋友圈子)

目的：通过分析用户好友的社群加入行为，推测用户可能也感兴趣的社群，实现社群推荐。

USE `social_recommendation`
MATCH (src@`Person` {`person_id`: "p001"})-[:`Friend`]-(friend)-[:`MemberOf`]-(community)
WHERE NOT EXISTS((src)-[:`MemberOf`]-(community))
RETURN community.`name` AS community_name, 
       community.`topic` AS topic, 
       count(friend) AS friends_joined_count
ORDER BY friends_joined_count DESC 
LIMIT 5

基于表格的解释：为用户 p001 推荐其好友们最常加入的 5 个社群。friends_joined_count越高，说明该社群在当前用户的社交圈子中越流行，推荐价值越高。

4. 基于相似行为的内容推荐

目的：找到与目标用户有相同转发行为的相似用户，然后将这些相似用户点赞过的其他内容推荐给目标用户，实现协同过滤推荐。

USE `social_recommendation`
MATCH (src@`Person` {`person_id`: "p002"})-[:`Forward`]->(common_content)<-[:`Forward`]-(similar_user)-[:`Like`]->(recommended_content)
WHERE NOT EXISTS((src)-[:`Like`]->(recommended_content))
  AND NOT EXISTS((src)-[:`Forward`]->(recommended_content))
RETURN recommended_content.`title` AS content_title, 
       similar_user.`name` AS liked_by_user, 
       count(common_content) AS similarity_score
ORDER BY similarity_score DESC 
LIMIT 10

基于表格的解释：为用户 p002 推荐由与其转发行为最相似的 10 位用户所喜欢的内容。similarity_score 代表推荐内容与用户兴趣的相似度权重，liked_by_user 字段提供了推荐理由（“您关注/相似的 XX 用户也喜欢”）。

KOL 影响力扩散推荐

目的：锁定核心意见领袖（KOL），找到关注他的粉丝群体，并将该 KOL 最新转发的内容推荐给其粉丝，实现影响力的有效扩散和内容的高效传播。

USE `social_recommendation`
MATCH (kol@`Person` {`person_id`: "p001"})-[:`FollowKOL`]-(fan)-[:`Like`|`Forward`]-(content)
MATCH path = (kol@`Person` {`person_id`: "p001"})-[:`Forward`]->(new_content)
WHERE NOT EXISTS((fan)-[:`Forward`]->(new_content))
RETURN fan.`name` AS fan_name, 
       new_content.`title` AS recommended_content, 
       kol.`name` AS source_kol
ORDER BY new_content.`publish_time` DESC

基于图的解释：该查询在图谱中首先定位到 KOL 节点 p001，通过 FollowKOL边找到所有关注他的粉丝节点，同时通过 Forward 边找到该 KOL 转发的内容节点。查询将 KOL 转发的内容推荐给其粉丝，并过滤掉粉丝已经转发过的内容。图中展示了从 KOL 到粉丝再到内容的完整影响力传播路径，每个粉丝节点都有可能接收到 KOL 最新转发的推荐内容，推荐结果按内容发布时间倒序排列，优先推送最新内容。这种基于图的推荐方式能够直观展示“谁影响了谁”、“什么内容被传播”的完整链路，为内容推荐提供了强有力的社交解释。

总结

通过 NebulaGraph 构建的社交兴趣关联网络，推荐系统可以：

发现多层社交路径：利用好友、关注等关系，挖掘用户间的潜在联系和影响力传导路径。
量化推荐权重：基于共同好友数、相似行为等指标，为推荐提供可量化的信任度和相似度依据。
实现多样化推荐逻辑：轻松实现熟人推荐、社群推荐、协同过滤、KOL内容扩散”等多种核心推荐策略。
增强推荐可解释性：通过图路径回溯，清晰展示推荐结果的产生依据（如“因为你的朋友XX加入了”），提升用户信任感。

本 Demo 展示了基础查询，仅作为简单场景下的 NebulaGraph 使用参考。在实际生产环境中，还可结合 PageRank、标签传播、连通分量等图算法，实现更智能的社区发现与兴趣扩散。