前編：
https://qiita.com/s_zh/items/3b183e258bcd6506e8cb

後編：
https://qiita.com/s_zh/items/75b129f8279e290fe705

Colabはこちらです。

カウントベースで小手調べ

まずナイーブに重要なアカウントはたくさんフォローされると考えて、よくフォローされているアカウントを調べてみます。

from neo4j import GraphDatabase
from tqdm.notebook import tqdm
import json

import pandas as pd

auth_path = './data/neo4j_graph/auth.json'
with open(auth_path, 'r') as f:
    auth = json.load(f)

# ローカルの場合は通常 uri: bolt(or neo4j)://localhost:7687, user: neo4j, pd: 設定したもの
# サンドボックスの場合は作成画面から接続情報が見られます
uri = 'neo4j://localhost:7687'
driver = GraphDatabase.driver(uri=uri, auth=(auth['user'], auth['pd']))

# Sandboxの場合はこんな感じ
# uri = 'bolt://54.175.38.249:35275'
# driver = GraphDatabase.driver(uri=uri, auth=('neo4j', 'spray-missile-sizing'))

クエリ結果の数が多くなると表示の問題でNeo4j Browserが固まりやすくなりますが、プログラムなら問題なく扱えることがあります。

with driver.session() as session:
    res = session.run('''
    MATCH (u:User)<-[r:FOLLOW]-(u2:User)--(g:Group)
    RETURN u.userId as id, u.screenName as screen_name, u.name, count(DISTINCT r) as count
    ORDER BY count DESC
    ''')

res = list(res)

res_df = pd.DataFrame.from_dict([r.data() for r in res])
print(res_df.shape)
res_df.head(10)

(19944, 4)

	id	screen_name	u.name	count
0	204245399	None	None	139
1	104388107	konotarogomame	河野太郎	136
2	468122115	AbeShinzo	安倍晋三	129
3	245677083	None	None	123
4	265205959	None	None	118
5	89631948	ecoyuri	小池百合子	110
6	96684891	kharaguchi	原口　一博	110
7	124415804	None	None	109
8	94482602	SekoHiroshige	世耕弘成 Hiroshige SEKO	108
9	169480493	None	None	108

政治家アカウント以外のアカウントはIDしか情報がないのでscreen_nameやnameがnullとなっています。まず政治家について見てみます。政治家によくフォローされる政治家アカウントランキングです。

res_df[res_df.screen_name.notnull()].head(10)

	id	screen_name	u.name	count
1	104388107	konotarogomame	河野太郎	136
2	468122115	AbeShinzo	安倍晋三	129
5	89631948	ecoyuri	小池百合子	110
6	96684891	kharaguchi	原口　一博	110
8	94482602	SekoHiroshige	世耕弘成 Hiroshige SEKO	108
10	58359180	jimin_koho	自民党広報	107
11	94050482	ichita_y	山本一太	105
12	112551613	SatoMasahisa	佐藤正久	104
16	106595422	TAIRAMASAAKI	平将明	97
17	80985167	renho_sha	蓮　舫　・　立　憲　民　主　党　( り　っ　け　ん　)	97

首位３名は順当な感じがしますね、原口さんは最近あまりニュースで聞かない印象ですが、元総務大臣ということで、（すくなくともTwitter上では）影響力がある、かもしれません。

次に政治家以外のアカウントについてですが、こちらは現在idしかなくて、idはtwitterがユーザアカウントに割り当てるもので、APIを使えば詳細を調べられますが、IDからユーザ情報、あるいはユーザ情報からIDを調べるツールもあります（https://idtwi.com/）。ここでは上位ユーザについての情報を追加収集しました。[こちら](https://github.com/lightondust/topics_by_jupyter_notebook/raw/master/data/neo4j_graph/politicians_0909_additional.json)からダウンロードできます。

additional_data_path = './data/neo4j_graph/politicians_0909_additional.json'

with open(additional_data_path, 'r') as f:
    additional_user_data = json.load(f)

for idx, item in res_df[res_df['screen_name'].isnull()].head(20).iterrows():
    u_id = item['id']
    count = item['count']
    for u in additional_user_data:
        if u['id'] == u_id:
            user = u
    print('{}, {}, {}, {}'.format(u_id, user['screen_name'], user['name'], count))

204245399, nhk_news, NHKニュース, 139
245677083, hashimoto_lo, 橋下徹, 123
265205959, Kantei_Saigai, 首相官邸(災害・危機管理情報), 118
124415804, namatahara, 田原総一朗, 109
169480493, nikkei, 日本経済新聞 電子版, 108
412940784, kantei, 首相官邸, 103
99008565, masason, 孫正義, 100
109488235, Yomiuri_Online, 読売新聞オンライン, 97
180585090, MHLWitter, 厚生労働省, 94
42816371, asahi, 朝日新聞(asahi shimbun）, 93
25073877, realDonaldTrump, Donald J. Trump, 89
92686016, kenichiromogi, 茂木健一郎, 88
297254593, kogashigeaki, 古賀茂明@フォーラム4, 87
46282367, mainichijpnews, 毎日新聞ニュース, 86
94701166, YoichiTakahashi, 高橋洋一（嘉悦大）, 85
148961902, HeizoTakenaka, 竹中平蔵, 83
97244324, hatoyamayukio, 鳩山友紀夫（由紀夫）Yukio Hatoyama, 82
48264099, asao_keiichiro, あさお慶一郎　前衆議院議員, 81
90521746, hmikitani, 三木谷浩史 H. Mikitani, 80
4171231, tsuda, 津田大介, 80

案の定ニュース新聞系や関係の深いキャスターが出てきましたが、孫さんや三木谷さんなど社長が上位にランクインしたのが以外です。また橋下さん、竹中さん、鳩山さんなど元政治家が出てくるのも面白いですね。

カウントベースで面白い結果が出ていますが、カウントベースだとたくさん人をフォローしている人がフォローしていても、本当に数人しか重要な人しかフォローしない人がフォローしていても、同じ１としてカウントされるので、本当に重要なノードが得られるとは限りません。次にPageRankを使って重要なユーザを探していきます。その前にPageRankなどのアルゴリズムを使うためのNeo4jのGraph　Data Science Librayについて説明します。

Neo4j Graph Data Science Library

Neo4jはPageRankなどのグラフアルゴリズムを実行するためにGraph Data Science Libraryが用意されています。データベースには様々なタイプのデータや繋がりを登録したいが、実際にグラフアルゴリズムを使うときにはその中の一部の種類のノードとリレーションシップにフォーカスしたり、部分グラフに注目したり、あるいは既存のグラフから加工して新しいグラフを作った上でアルゴリズムを適応したいことがよくあります。そういうときにクエリと組み合わせて対象となるグラフを抽出・構成したり、事前にアルゴリズムに必要なリソースを見積もったりする便利な機能などが用意されています。

インストールに関しては、Neo4j Desktopの場合は次のように「Manage」をクリックして、「Plugins」タブからインストールします。Neo4j Sandboxの場合は最初から入っているため、インストールは不要です。

アルゴリズムを適応するためのグラフを定義します。

データベースにはカテゴリとグループノードがありますが、PageRankを考える場合はUserノードとFOLLOW関係に集中します。実際に作る前にグラフを作るためのリソースを次のように見積もります。

CALL gds.graph.create.estimate('User', 'FOLLOW') YIELD nodeCount, relationshipCount, requiredMemory

with driver.session() as session:
    res = session.run('''
    CALL gds.graph.create.estimate('User', 'FOLLOW') YIELD nodeCount, relationshipCount, requiredMemory
    ''')

res = list(res)
print(res)

[<Record nodeCount=19945 relationshipCount=166491 requiredMemory='[991 KiB ... 1055 KiB]'>]

特に問題がなければ実際に作ります。グラフ名（「follow-net-all」）をつけます。

CALL gds.graph.create('follow-net-all', 'User', 'FOLLOW')

with driver.session() as session:
    res = session.run('''
    CALL gds.graph.create('follow-net-all', 'User', 'FOLLOW')
    ''')

また、全アカウントじゃなくて政治家アカウントのみで計算したいことがあるかもしれません。その場合クエリを使ってネットワークを定義します。具体的にはノードのid、リレーションの始点と終点をリターンします。必要あればリレーションシップのウェイトを指定することもできます

with driver.session() as session:
    res = session.run('''
    CALL gds.graph.create.cypher.estimate( 
    'MATCH (g:Group)--(u:User) RETURN id(u) AS id', 
    'MATCH (:Group)--(u:User)-[r:FOLLOW]->(u2:User)--(:Group) WITH DISTINCT r, u, u2 RETURN id(u) AS source, id(u2) AS target')
    ''')

res = list(res)
print(res)

[<Record requiredMemory='299 KiB' treeView="HugeGraph: 299 KiB\n|-- this.instance: 72 Bytes\n|-- nodeIdMap: 35 KiB\n    |-- this.instance: 32 Bytes\n    |-- Neo4j identifiers: 3088 Bytes\n    |-- Mapping from Neo4j identifiers to internal identifiers: 32 KiB\n    |-- Node Label BitSets: 0 Bytes\n|-- adjacency list for 'RelationshipType{name='__ALL__'}': 256 KiB\n    |-- this.instance: 24 Bytes\n    |-- pages: 256 KiB\n|-- adjacency offsets for 'RelationshipType{name='__ALL__'}': 8224 Bytes\n    |-- this.instance: 16 Bytes\n    |-- page: 8208 Bytes\n" mapView={'name': 'HugeGraph', 'components': [{'name': 'this.instance', 'memoryUsage': '72 Bytes'}, {'name': 'nodeIdMap', 'components': [{'name': 'this.instance', 'memoryUsage': '32 Bytes'}, {'name': 'Neo4j identifiers', 'memoryUsage': '3088 Bytes'}, {'name': 'Mapping from Neo4j identifiers to internal identifiers', 'memoryUsage': '32 KiB'}, {'name': 'Node Label BitSets', 'memoryUsage': '0 Bytes'}], 'memoryUsage': '35 KiB'}, {'name': "adjacency list for 'RelationshipType{name='__ALL__'}'", 'components': [{'name': 'this.instance', 'memoryUsage': '24 Bytes'}, {'name': 'pages', 'memoryUsage': '256 KiB'}], 'memoryUsage': '256 KiB'}, {'name': "adjacency offsets for 'RelationshipType{name='__ALL__'}'", 'components': [{'name': 'this.instance', 'memoryUsage': '16 Bytes'}, {'name': 'page', 'memoryUsage': '8208 Bytes'}], 'memoryUsage': '8224 Bytes'}], 'memoryUsage': '299 KiB'} bytesMin=306456 bytesMax=306456 nodeCount=381 relationshipCount=58 heapPercentageMin=0.1 heapPercentageMax=0.1>]

with driver.session() as session:
    res = session.run('''
    CALL gds.graph.create.cypher( 
    'follow-net-politicians', 
    'MATCH (g:Group)--(u:User) WITH DISTINCT u as u RETURN id(u) AS id', 
    'MATCH (:Group)--(u:User)-[r:FOLLOW]->(u2:User)--(:Group) RETURN id(u) AS source, id(u2) AS target')
    ''')

作ったグラフの一覧を見てみましょう。

with driver.session() as session:
    res = session.run('''
    CALL gds.graph.list
    ''')

res = list(res)
[print(r) for r in res]

<Record graphName='follow-net-all' memoryUsage='5635 KiB' sizeInBytes=5770392 nodeProjection={'User': {'properties': {}, 'label': 'User'}} relationshipProjection={'FOLLOW': {'orientation': 'NATURAL', 'aggregation': 'DEFAULT', 'type': 'FOLLOW', 'properties': {}}} nodeQuery=None relationshipQuery=None nodeCount=19945 relationshipCount=166491 degreeDistribution={'p99': 170, 'min': 0, 'max': 2349, 'mean': 8.347505640511406, 'p90': 0, 'p50': 0, 'p999': 1612, 'p95': 0, 'p75': 0} creationTime=neo4j.time.DateTime(2020, 9, 15, 21, 9, 17.393649, tzinfo=<DstTzInfo 'Asia/Tokyo' JST+9:00:00 STD>) modificationTime=neo4j.time.DateTime(2020, 9, 15, 21, 9, 17.515731999) schema={'relationships': {'FOLLOW': {}}, 'nodes': {'User': {}}}>
<Record graphName='follow-net-politicians' memoryUsage='462 KiB' sizeInBytes=473832 nodeProjection=None relationshipProjection=None nodeQuery='MATCH (g:Group)--(u:User) WITH DISTINCT u as u RETURN id(u) AS id' relationshipQuery='MATCH (:Group)--(u:User)-[r:FOLLOW]->(u2:User)--(:Group) RETURN id(u) AS source, id(u2) AS target' nodeCount=346 relationshipCount=13756 degreeDistribution={'p99': 193, 'min': 0, 'max': 239, 'mean': 39.75722543352601, 'p90': 88, 'p50': 28, 'p999': 239, 'p95': 128, 'p75': 57} creationTime=neo4j.time.DateTime(2020, 9, 15, 21, 9, 18.764751, tzinfo=<DstTzInfo 'Asia/Tokyo' JST+9:00:00 STD>) modificationTime=neo4j.time.DateTime(2020, 9, 15, 21, 9, 18.931898, tzinfo=<DstTzInfo 'Asia/Tokyo' JST+9:00:00 STD>) schema={'relationships': {'__ALL__': {}}, 'nodes': {'__ALL__': {}}}>





[None, None]

作成したグラフを削除するのは次のように行います。

CALL gds.graph.drop('follow_net_all');

PageRank

いよいよPageRankです。PageRankはGoogleの創業者たちが論文で提唱し、それをきっかけに創業したことで有名です。ざっくり言えば、重要な人にフォローされている人が重要である、との仮定に基づいてノードの重要度をスコアとして算出するものです。仮想ユーザをウェブ上にランダムにリンクを辿らせて遷移していった時に、そのユーザが各ノードに止まる確率のようなものです。

さっそく実行してみます。

CALL gds.pageRank.stream('follow-net-all') YIELD nodeId, score
WITH gds.util.asNode(nodeId) as u, score
RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
ORDER BY score DESC LIMIT 10

with driver.session() as session:
    res = session.run('''
    CALL gds.pageRank.stream('follow-net-all') YIELD nodeId, score
    WITH gds.util.asNode(nodeId) as u, score
    RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
    ORDER BY score DESC LIMIT 200
    ''')

res = list(res)
res_df = pd.DataFrame([r.data() for r in res])

res_df

	id	name	screen_name	score
0	2291282737	細川護熙	morihirotokyo	0.452028
1	2298092184	小泉純一郎 J.Koizumi	J_Koizumi_Japan	0.346655
2	2481369336	None	None	0.342734
3	135029283	谷垣禎一	Tanigaki_S	0.339184
4	104388107	河野太郎	konotarogomame	0.325671
...	...	...	...	...
195	759251	None	None	0.176333
196	61324547	くしぶち万里　元衆議院議員	kushibuchi	0.176177
197	345178332	衆議院議員森山浩行@立憲民主党堺（りっけん）	MORIYAMAhiro	0.176125
198	1195640294261182466	None	None	0.176123
199	613201682	None	None	0.176091

200 rows × 4 columns

今が人気だけじゃなくて、陰の実力者のアカウントもすこしあぶり出された、というような気もしますね。圧倒的重要さを誇るのは細川さん（二位とのスコア差が大きい）です。細川さんも小泉さんも元総理という重要なポジションであり、そしてカウントベースではむしろ下位に位置していることを考えれば、PageRankがよく機能していると言えるかもしれません。

政治家以外のアカウントを見てみます。

for k, item in res_df[res_df.name.isnull()].iterrows():
    user = {}
    u_id = item['id']
    for u in additional_user_data:
        if u['id'] == u_id:
            user = u
    print('{}, {}, {}, {}, {}'.format(k, u_id, user.get('screen_name'), user.get('name'), item['score']))

2, 2481369336, None, None, 0.3427342087764733
7, 245677083, hashimoto_lo, 橋下徹, 0.3104444960829783
10, 305320802, None, None, 0.29620774772489844
15, 265205959, Kantei_Saigai, 首相官邸(災害・危機管理情報), 0.26993426864236714
18, 99008565, masason, 孫正義, 0.25991508577836087
19, 25073877, realDonaldTrump, Donald J. Trump, 0.25841955984103876
21, 204245399, nhk_news, NHKニュース, 0.2536393801962411
23, 69861141, None, None, 0.25213300565757085
28, 124415804, namatahara, 田原総一朗, 0.23418672573544158
33, 42816371, asahi, 朝日新聞(asahi shimbun）, 0.22684923383383965
35, 903338594, sugawitter, 菅 義偉, 0.22650765601559872
36, 412940784, kantei, 首相官邸, 0.22143552415051596
37, 169480493, nikkei, 日本経済新聞 電子版, 0.2214105514823688
39, 48264099, asao_keiichiro, あさお慶一郎　前衆議院議員, 0.22006568025766313
40, 275355095, None, None, 0.2186452617306928
41, 297254593, kogashigeaki, 古賀茂明@フォーラム4, 0.2180277926388264
43, 148961902, HeizoTakenaka, 竹中平蔵, 0.2163264090153946
44, 90521746, hmikitani, 三木谷浩史 H. Mikitani, 0.21538645175146418
45, 97244324, hatoyamayukio, 鳩山友紀夫（由紀夫）Yukio Hatoyama, 0.21532410236155686
47, 94701166, YoichiTakahashi, 高橋洋一（嘉悦大）, 0.21393892916563398

データがないアカウントはフォローしている政治家アカウントがすくないものの、重要な政治家アカウントにフォローされているということですね。高い順で「一般社団法人自然エネルギー推進会議」と「古川元久事務所」です。「一般社団法人自然エネルギー推進会議」は名前だけからするとなにやら目立たないけれど有力者とつながってそうな匂いを感じてしまいます。「古川元久事務所」は政治家のアカウントですが、スクレイピング元のデータに欠損がありました。これは逆に考えれば、グラフデータのラベルに欠損がつきものであるが、グラフアルゴリズムを使うことで一部のラベルだけから効率よく残りの類似ノードを見つけられるということかもしれません。

次にDamping Factorを変えてみます。Damping Factorはdefaultの0.85で設定されています。詳細の説明は割愛しますが、循環参照（もともと論文の場合は先行研究しか引用しないので通常循環参照が生じない）があるとスコアがそこに集中したり、収束しないことがありますが、それを抑えるのがDumping Factorです。Dampling Factorの値が大きい（１に近い）と抑えが効かず値が収束しにくかったり、循環参照のスコアが不正に大きくなりがちだが、小さいとスコアが伝搬せずグラフの構造を反映できなくなってしまいます。0.85で使うことが多いです。

with driver.session() as session:
    res = session.run('''
    CALL gds.pageRank.stream('follow-net-all', {dampingFactor: 0.75}) YIELD nodeId, score
    WITH gds.util.asNode(nodeId) as u, score
    RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
    ORDER BY score DESC LIMIT 20
    ''')

res = list(res)
res_df = pd.DataFrame([r.data() for r in res])

res_df

	id	name	screen_name	score
0	2291282737	細川護熙	morihirotokyo	0.630261
1	135029283	谷垣禎一	Tanigaki_S	0.523063
2	104388107	河野太郎	konotarogomame	0.502890
3	2298092184	小泉純一郎 J.Koizumi	J_Koizumi_Japan	0.492805
4	58359180	自民党広報	jimin_koho	0.492129
5	468122115	安倍晋三	AbeShinzo	0.491159
6	2481369336	None	None	0.487239
7	245677083	None	None	0.481302
8	94050482	山本一太	ichita_y	0.465500
9	122343424	松本純	junmatsumoto411	0.462421
10	305320802	None	None	0.461928
11	914762049481084929	立憲民主党（りっけん）	CDP2017	0.460617
12	89631948	小池百合子	ecoyuri	0.460385
13	94482602	世耕弘成 Hiroshige SEKO	SekoHiroshige	0.449965
14	112551613	佐藤正久	SatoMasahisa	0.436635
15	265205959	None	None	0.423003
16	134715633	松井一郎(大阪市長)	gogoichiro	0.413342
17	106595422	平将明	TAIRAMASAAKI	0.411991
18	99008565	None	None	0.409122
19	83774916	平井卓也（ひらいたくや）	hiratakuchan	0.405061

多少順番が入れ替わった感じですね。

次にネットワークを政治家ノードに限定して算出します。

with driver.session() as session:
    res = session.run('''
    CALL gds.pageRank.stream('follow-net-politicians') YIELD nodeId, score
    WITH gds.util.asNode(nodeId) as u, score
    RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
    ORDER BY score DESC LIMIT 20
    ''')

res = list(res)
res_df = pd.DataFrame([r.data() for r in res])

res_df

	id	name	screen_name	score
0	58359180	自民党広報	jimin_koho	4.628814
1	112551613	佐藤正久	SatoMasahisa	4.434653
2	89631948	小池百合子	ecoyuri	3.974174
3	134715633	松井一郎(大阪市長)	gogoichiro	3.398299
4	145599783	吉村洋文（大阪府知事）	hiroyoshimura	3.087031
5	468122115	安倍晋三	AbeShinzo	2.958654
6	104388107	河野太郎	konotarogomame	2.634810
7	2291282737	細川護熙	morihirotokyo	2.615294
8	2298092184	小泉純一郎 J.Koizumi	J_Koizumi_Japan	2.547026
9	94050482	山本一太	ichita_y	2.519077
10	914762049481084929	立憲民主党（りっけん）	CDP2017	2.296642
11	96684891	原口　一博	kharaguchi	2.228331
12	94482602	世耕弘成 Hiroshige SEKO	SekoHiroshige	2.205480
13	135029283	谷垣禎一	Tanigaki_S	2.131317
14	106595422	平将明	TAIRAMASAAKI	2.000736
15	2590575655	ここりん（公式）	nipponkokoro	1.966871
16	83774916	平井卓也（ひらいたくや）	hiratakuchan	1.852419
17	76031812	浅田均（参議院議員）	asalogue	1.826080
18	119577038	公明党	komei_koho	1.756745
19	80985167	蓮　舫　・　立　憲　民　主　党　( り　っ　け　ん　)	renho_sha	1.713555

また、全政治家ではなく、自民党内での重要性を見てみます。

with driver.session() as session:
    res = session.run(  
        '''
        CALL gds.graph.create.cypher(  
        'follow-net-parties',  
        'MATCH (g:Group {name:"自由民主党"})--(u:User) RETURN id(u) AS id',  
        'MATCH (g:Group {name:"自由民主党"})--(u:User)-[r:FOLLOW]->(u2:User)--(g) WITH DISTINCT r, u, u2 RETURN id(u) AS source, id(u2) AS target') 
        ''')

with driver.session() as session:
    res = session.run('''
    CALL gds.pageRank.stream('follow-net-parties') YIELD nodeId, score
    WITH gds.util.asNode(nodeId) as u, score
    RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
    ORDER BY score DESC LIMIT 20
    ''')

res = list(res)
res_df = pd.DataFrame([r.data() for r in res])

res_df

	id	name	screen_name	score
0	112551613	佐藤正久	SatoMasahisa	2.940377
1	58359180	自民党広報	jimin_koho	2.151208
2	135029283	谷垣禎一	Tanigaki_S	1.994588
3	468122115	安倍晋三	AbeShinzo	1.799998
4	104388107	河野太郎	konotarogomame	1.745840
5	83774916	平井卓也（ひらいたくや）	hiratakuchan	1.619778
6	94050482	山本一太	ichita_y	1.603370
7	94482602	世耕弘成 Hiroshige SEKO	SekoHiroshige	1.591588
8	106595422	平将明	TAIRAMASAAKI	1.451602
9	122343424	松本純	junmatsumoto411	1.385155
10	78646435	片山さつき	katayama_s	1.111217
11	148169494	柴山昌彦	shiba_masa	1.076998
12	91760590	牧島かれん	makishimakaren	1.043077
13	95405735	あいさわ一郎	ichiroaisawa	0.938201
14	99275472	熊谷ゆたか	kumagai_yutaka	0.925106
15	137884361	三原じゅん子	miharajunco	0.920131
16	202979703	茂木敏充	moteging	0.903428
17	12458472	新藤　義孝	shindo_y	0.842672
18	246575371	山本ともひろ℗	ty_polepole	0.841348
19	135884288	宮川典子	norikomiya	0.834485

民進党内を見てみます

with driver.session() as session:
    res = session.run('''
        CALL gds.graph.drop('follow-net-parties')
    ''')
    res = session.run(  
        '''
        CALL gds.graph.create.cypher(  
        'follow-net-parties',  
        'MATCH (g:Group {name:"自由民主党"})--(u:User) RETURN id(u) AS id',  
        'MATCH (g:Group {name:"自由民主党"})--(u:User)-[r:FOLLOW]->(u2:User)--(g) WITH DISTINCT r, u, u2 RETURN id(u) AS source, id(u2) AS target') 
        '''.replace('自由民主党', '民進党'))

with driver.session() as session:
    res = session.run('''
    CALL gds.pageRank.stream('follow-net-parties') YIELD nodeId, score
    WITH gds.util.asNode(nodeId) as u, score
    RETURN u.userId as id, u.name AS name, u.screenName as screen_name, score
    ORDER BY score DESC LIMIT 20
    ''')

res = list(res)
res_df = pd.DataFrame([r.data() for r in res])

res_df

	id	name	screen_name	score
0	107039196	福山哲郎・立憲民主党（りっけん）	fuku_tetsu	1.718304
1	174604776	川内博史	kawauchihiroshi	1.580158
2	80985167	蓮　舫　・　立　憲　民　主　党　( り　っ　け　ん　)	renho_sha	1.341613
3	772827848985841664	前原誠司	Maehara2016	1.272803
4	536910778	細野豪志　Goshi Hosono	hosono_54	1.163544
5	96785342	玉木雄一郎（国民民主党代表）	tamakiyuichiro	1.158696
6	34773800	逢坂誠二立憲民主党（りっけん）	seiji_ohsaka	1.133889
7	96684891	原口　一博	kharaguchi	1.051628
8	116097539	小西ひろゆき（参議院議員）	konishihiroyuki	1.026933
9	107846407	馬淵澄夫	mabuchi_sumio	0.962776
10	45708362	階猛(しなたけし)	shinatakeshi	0.958277
11	116426900	山井和則	yamanoikazunori	0.954659
12	95338477	有田芳生	aritayoshifu	0.930065
13	279935870	長妻昭りっけん立憲民主党	nagatsumaakira	0.886719
14	55165402	金子洋一・前参議院議員（神奈川県選出）	Y_Kaneko	0.856139
15	157592722	あべともこ（衆議院議員・神奈川１２区・立憲民主党）	abe_tomoko	0.822089
16	711473829759946752	民進党	MinshintoNews	0.796128
17	160175660	長島昭久 Akihisa NAGASHIMA, MP	nagashima21	0.781087
18	2904204817	山尾しおり	ShioriYamao	0.774538
19	114697823	柚木みちよし	yunoki_m	0.745531

最後に重要なノードの大きさをPageRankの値に比例し、リンクの太さをスコアの流れの大きさに比例するようにした図を載せます（政治家のみのネットワークで、PageRank上位25程度のノードを表示、作図はNeo4j Bloomを使用）。

備考

ドキュメント
- Neo4j Document一覧：https://neo4j.com/docs/
- DB管理、インストール、設定config等:https://neo4j.com/docs/operations-manual/current/
- Cyper Query: https://neo4j.com/docs/cypher-manual/current/
- Driver(Pythonなどのプログラムからアクセスする場合): https://neo4j.com/docs/driver-manual/4.0/
- Graph Data Science（内蔵のグラフアルゴリズム）: https://neo4j.com/docs/graph-data-science/current/
チュートリアル: https://neo4j.com/graphacademy/online-training/
開発者向けのテーマやトピック：https://neo4j.com/developer/get-started/
実験的な機能や新しい機能について：https://neo4j.com/labs/

実例で動かすグラフアルゴリズムとグラフデータベース、02_アルゴリズム編、PageRankで重要なアカウントを探す

カウントベースで小手調べ

Neo4j Graph Data Science Library

アルゴリズムを適応するためのグラフを定義します。

PageRank

備考