graph - 如何优化具有多个节点匹配的 Neo4j Cypher 查询(笛卡尔积)

Question

我目前正在尝试合并三个数据集以进行分析。我正在使用某些公共(public)字段来建立数据集之间的连接。为了创建连接，我尝试使用以下类型的查询:

MATCH (p1:Person),(p2:Person)
WHERE p1.email = p2.email AND p1.name = p2.name AND p1 <> p2 
CREATE UNIQUE (p1)-[IS]-(p2);

可以类似地写为:

MATCH (p1:Person),(p2:Person {name:p1.name, email:p1.email})
WHERE p1 <> p2 
CREATE UNIQUE (p1)-[IS]-(p2);

不用说，对于具有大约 100,000 个 Person 节点的数据库来说，这是一个非常慢的查询，特别是考虑到 Neo4j 不并行处理单个查询。

现在，我的问题是是否有更好的方法在 Neo4j 中运行此类查询。我至少有 8 个 CPU 核心专用于 Neo4j，只要单独的线程不会通过锁定彼此所需的资源而陷入困境。

问题是我不知道 Neo4j 如何构建其 Cypher 执行计划。例如，假设我运行以下测试查询:

MATCH (p1:Person),(p2:Person {name:p1.name, email:p1.email})
WHERE p1 <> p2 
RETURN p1, p2
LIMIT 100;

尽管有 LIMIT 子句，Neo4j 仍然需要相当多的时间来返回结果，这让我想知道即使对于这样一个有限的查询，Neo4j 是否会在考虑 LIMIT 语句之前生成整个笛卡尔积表。

我感谢任何帮助，无论它解决了这个特定问题，还是只是让我了解 Neo4j 通常如何构建 Cypher 执行计划(以及如何优化一般查询)。遗留的 Lucene 索引在这里有什么帮助吗？

Answer 1

您可以对 p1 进行标签扫描，然后对 p2 进行索引查找和比较:

看这里:

cypher 2.1 
foreach (i in range(1,100000) | 
  create (:Person {name:"John Doe"+str(i % 10000),
                   email:"john"+str(i % 10000)+"@doe.com"}));
+-------------------+
| No data returned. |
+-------------------+
Nodes created: 100000
Properties set: 200000
Labels added: 100000
6543 ms
neo4j-sh (?)$ CREATE INDEX ON :Person(name);
+-------------------+
| No data returned. |
+-------------------+
Indexes added: 1
28 ms

neo4j-sh (?)$ schema
Indexes
  ON :Person(name)  ONLINE

neo4j-sh (?)$ 
match (p1:Person) with p1 
match (p2:Person {name:p1.name}) using index p2:Person(name) 
where p1<>p2 AND p2.email = p1.email 
return count(*);
+----------+
| count(*) |
+----------+
| 900000   |
+----------+
1 row
8206 ms

neo4j-sh (?)$ 
match (p1:Person) with p1 
match (p2:Person {name:p1.name}) using index p2:Person(name) 
where p1<>p2 AND p2.email = p1.email
merge (p1)-[:IS]-(p2) 
return count(*);

+----------+
| count(*) |
+----------+
| 900000   |
+----------+
1 row
Relationships created: 450000
40256 ms