当许多开发者想到推荐引擎时，他们首先想到的是机器学习：协同过滤模型、矩阵分解、嵌入向量以及训练管道。令许多人惊讶的是，仅凭图数据库和若干 Cypher 查询，即可构建一个真正实用的推荐系统。无需 scikit-learn，无需 TensorFlow，也无需模型训练。只需让数据的自然结构发挥作用。在本文中，我们将基于 Neo4j Aura 构建一个产品推荐引擎，使用两个 Jupyter Notebook 实现。第一个 Notebook 生成逼真的合成数据集并将其加载到 Aura 中；第二个 Notebook 直接在 Cypher 中执行四个推荐查询，并使用 Plotly 可视化结果。所有操作均在本地 Python 虚拟环境中运行，针对免费的云端 Neo4j 实例。