Когда многие разработчики думают о рекомендательных системах, они думают о машинном обучении: моделях коллаборативной фильтрации, матричной факторизации, векторах вложений и конвейерах обучения. Что удивляет многих, так это то, что можно построить действительно полезную рекомендательную систему, используя не более чем графовую базу данных и несколько запросов Cypher. Никакого scikit-learn, никакого TensorFlow, никакого обучения моделей. Просто естественная структура данных делает свою работу.В этой статье мы построим рекомендательную систему продуктов на базе Neo4j Aura, используя два блокнота Jupyter. Первый сгенерирует реалистичный синтетический набор данных и загрузит его в Aura. Второй выполнит четыре рекомендательных запроса непосредственно в Cypher и визуализирует результаты с помощью Plotly. Все будет работать локально в виртуальном окружении Python против бесплатного облачного экземпляра Neo4j.