多くの開発者は、レコメンデーションエンジンについて考えるとき、機械学習、すなわち協調フィルタリングモデル、行列分解、埋め込みベクトル、トレーニングパイプラインを思い浮かべます。多くの人が驚くのは、グラフデータベースといくつかのCypherクエリだけで、真に役立つレコメンデーションシステムを構築できるということです。scikit-learnもTensorFlowもモデルトレーニングも不要です。データ本来の構造がその役割を果たします。この記事では、2つのJupyter Notebookを使用して、Neo4j Aura上に製品レコメンデーションエンジンを構築します。最初のNotebookは、現実的な合成データセットを生成し、それをAuraにロードします。2番目のNotebookは、4つのレコメンデーションクエリを直接Cypherで実行し、Plotlyで結果を可視化します。すべて、無料のクラウドNeo4jインスタンスに対して、Python仮想環境内でローカルに実行されます。