如何编写Cypher查询计算Neo4j中两个Query节点的余弦相似度？

你踩的这个坑很典型——原来的Cypher只在两个Query共同交互的产品子集里计算向量模长，完全忽略了每个Query单独点击的产品（这些产品在另一个Query的向量里分量为0，但在计算自身模长时必须纳入，因为模长是所有分量的平方和开根号，0分量不影响结果，但漏了有值的分量就会导致模长偏小，最终余弦值计算错误）。

下面是修正后的解决方案，分两种写法（原生Cypher和APOC优化版）：

原生Cypher写法（无需额外库） #

// 1. 计算目标Query的完整向量模长，以及所有交互的产品ID和score
MATCH (q1:Query {search_term:'sunglasses'})-[e:INTERACTION {event_type:'CLICK'}]->(:Product)
WITH q1, sqrt(sum(e.score^2)) as q1_norm, collect({prod_id: id(e.endNode()), score: e.score}) as q1_scores

// 2. 计算所有其他Query的完整向量模长，以及它们的交互数据
MATCH (q2:Query)-[e:INTERACTION {event_type:'CLICK'}]->(:Product)
WHERE q2 <> q1
WITH q1, q1_norm, q2, sqrt(sum(e.score^2)) as q2_norm, collect({prod_id: id(e.endNode()), score: e.score}) as q2_scores

// 3. 计算两个向量的点积（包含所有产品，无交互的分量按0处理）
WITH q1, q1_norm, q2, q2_norm,
     reduce(total = 0.0, x IN q1_scores | 
       total + (x.score * coalesce((y.score WHERE y IN q2_scores AND y.prod_id = x.prod_id), 0))
     ) as dot_product

// 4. 计算余弦相似度，处理模长为0的边界情况（避免除以0）
RETURN q1.search_term as query_1, q2.search_term as query_2,
       CASE WHEN q1_norm = 0 OR q2_norm = 0 THEN 0.0 ELSE dot_product / (q1_norm * q2_norm) END as cosine_similarity
ORDER BY cosine_similarity DESC

关键修正点： #

• 先单独计算每个Query的模长：基于该Query所有的CLICK交互，确保模长是完整向量的长度，而非仅重叠产品的子向量长度。
• 用reduce遍历目标Query的所有交互，对每个产品，查找另一个Query对应的score（没有则用0），累加乘积得到真实的点积——完全符合向量点积的定义（所有维度分量的乘积之和）。
• 增加了边界处理：如果某个Query没有任何点击记录（模长为0），直接返回0相似度，避免除以0的运行时错误。

APOC优化版（适合大数据量场景） #

如果你的Neo4j安装了APOC库，用映射表来存储产品ID到score的映射，可以大幅提升查找对应score的效率：

// 1. 用APOC将目标Query的交互转成<产品ID:score>的映射表，同时计算模长
MATCH (q1:Query {search_term:'sunglasses'})-[e:INTERACTION {event_type:'CLICK'}]->(:Product)
WITH q1, sqrt(sum(e.score^2)) as q1_norm, apoc.map.fromList(collect([id(e.endNode()), e.score])) as q1_score_map

// 2. 对其他Query做同样的处理
MATCH (q2:Query)-[e:INTERACTION {event_type:'CLICK'}]->(:Product)
WHERE q2 <> q1
WITH q1, q1_norm, q2, sqrt(sum(e.score^2)) as q2_norm, apoc.map.fromList(collect([id(e.endNode()), e.score])) as q2_score_map

// 3. 遍历目标Query的所有产品ID，快速查找对应score计算点积
WITH q1, q1_norm, q2, q2_norm,
     reduce(total = 0.0, prod_id IN keys(q1_score_map) | 
       total + (q1_score_map[prod_id] * coalesce(q2_score_map[prod_id], 0))
     ) as dot_product

// 4. 返回结果，同样处理边界情况
RETURN q1.search_term as query_1, q2.search_term as query_2,
       CASE WHEN q1_norm = 0 OR q2_norm = 0 THEN 0.0 ELSE dot_product / (q1_norm * q2_norm) END as cosine_similarity
ORDER BY cosine_similarity DESC

这个版本用apoc.map.fromList把交互数据转成哈希表，查找对应产品score的时间复杂度从O(n)降到O(1)，当你的产品和Query数据量很大时，性能提升会非常明显。

内容的提问来源于stack exchange，提问作者gssk