Skip to content

Instantly share code, notes, and snippets.

Embed
What would you like to do?

Bestuurders Beursgenoteerde bedrijven in Neo4j - Intro

Origineel onderzoek - vorige edities

Uit 2018

Conversie naar Google Sheet

Om makkelijk online beschikbaar te zijn: import in Google sheets. Automatisch conversie terug naar .csv daardoor. Volledige google sheet staat hier.

Twee sheets:

Bestuurders Beursgenoteerde bedrijven in Neo4j - deel 1

Cypher import script naar Neo4j

Nodes importeren

Eerst alle nodes vanuit google sheet halen en met "Node" label uitrusten:

load csv with headers from "https://docs.google.com/spreadsheets/u/0/d/1T8vt1PvdJqvOTj_5kRLsjbOUDNId97foQkNB6U6o5_8/export?format=csv&id=1T8vt1PvdJqvOTj_5kRLsjbOUDNId97foQkNB6U6o5_8&gid=1067482365" as csv
create (n:Node)
set n = csv;

Daarna conversie van "Node" label naar "Person" en "Company" label:

match (n:Node)
where n.type = "person"
set n:Person
remove n.type;

match (n:Node)
where n.type = "company"
set n:Company
remove n.type;

Relaties importereen

Eerst relaties lezen uit google sheet, dan start- en eindnode opzoeken, daarna generieke "RELATED_TO" relatie maken:

load csv with headers from "https://docs.google.com/spreadsheets/u/0/d/1T8vt1PvdJqvOTj_5kRLsjbOUDNId97foQkNB6U6o5_8/export?format=csv&id=1T8vt1PvdJqvOTj_5kRLsjbOUDNId97foQkNB6U6o5_8&gid=0" as csv
match (startnode:Node {id: csv.from}), (endnode:Node {id: csv.to})
create (startnode)-[:RELATED_TO {mandate: csv.mandate, weight: toInteger(csv.weight)}]->(endnode);

Daarna verschillende relatietypes omvormen naar eigen type, incl de gewichten:

match (n)-[r:RELATED_TO]->(m)
where r.mandate = "bestuurder"
create (n)-[eo:EXECUTIVE_OF {weight: r.weight}]->(m);

match (n)-[r:RELATED_TO]->(m)
where r.mandate = "ceo"
create (n)-[eo:CEO_OF {weight: r.weight}]->(m);

match (n)-[r:RELATED_TO]->(m)
where r.mandate = "voorzitter"
create (n)-[eo:CHAIRMAN_OF {weight: r.weight}]->(m);

match (n)-[r:RELATED_TO]->(m)
where r.mandate = "ondervoorzitter"
create (n)-[eo:VICE_CHAIRMAN_OF {weight: r.weight}]->(m);

Opschonen relaties, nodes, en indexen klaarzetten voor queries

match (n)-[r:RELATED_TO]->(m)
delete r;

match (n:Node)
remove n:Node;
create index on :Person(id);
create index on :Person(label);
create index on :Company(id);
create index on :Company(label);

Bestuurders Beursgenoteerde bedrijven in Neo4j - deel 2

Queries op de bestuurdersgraaf

//links between 2 companies
match (c1:Company),(c2:Company),
path = allshortestpaths((c1)-[*]-(c2))
where c1 <> c2
return path
limit 10

Graph Data Science op de bestuurdersgraaf

Pagerank algoritme

Algo draaien en resultaten opslaan:

:param limit => ( 50);
:param config => ({
  nodeProjection: '*',
  relationshipProjection: {
    relType: {
      type: '*',
      orientation: 'UNDIRECTED',
      properties: {}
    }
  },
  relationshipWeightProperty: null,
  dampingFactor: 0.85,
  maxIterations: 20,
  writeProperty: 'pagerank'
});

CALL gds.pageRank.write($config);

Resultaten bekijken:

MATCH (node)
WHERE exists(node.`pagerank`)
RETURN node, node.`pagerank` AS score
ORDER BY score DESC
LIMIT toInteger($limit);

Betweenness algoritme

Algo draaien en resultaten opslaan:

:param limit => ( 50);
:param config => ({
  nodeProjection: '*',
  relationshipProjection: {
    relType: {
      type: '*',
      orientation: 'UNDIRECTED',
      properties: {}
    }
  },
  writeProperty: 'betweenness'
});

CALL gds.alpha.betweenness.write($config);

Resultaten bekijken:

MATCH (node)
WHERE exists(node.`betweenness`)
RETURN node, node.`betweenness` AS score
ORDER BY score DESC
LIMIT toInteger($limit);

Closeness algoritme

Algo draaien en resultaten opslaan:

:param limit => ( 50);
:param config => ({
  nodeProjection: '*',
  relationshipProjection: {
    relType: {
      type: '*',
      orientation: 'UNDIRECTED',
      properties: {}
    }
  },
  writeProperty: 'closeness'
});

CALL gds.alpha.closeness.write($config);

Resultaten bekijken:

MATCH (node)
WHERE exists(node.`closeness`)
RETURN node, node.`closeness` AS score
ORDER BY score DESC
LIMIT toInteger($limit);

Louvain community detection

Algo draaien en resultaten opslaan:

:param limit => ( 50);
:param config => ({
  nodeProjection: '*',
  relationshipProjection: {
    relType: {
      type: '*',
      orientation: 'UNDIRECTED',
      properties: {}
    }
  },
  relationshipWeightProperty: null,
  includeIntermediateCommunities: false,
  seedProperty: '',
  writeProperty: 'louvain'
});

CALL gds.louvain.write($config);

Resultaten bekijken:

MATCH (node)
WHERE exists(node.`louvain`)
WITH node, node.`louvain` AS community
RETURN node,
CASE WHEN apoc.meta.type(community) = "long[]" THEN community[-1] ELSE community END AS community,
CASE WHEN apoc.meta.type(community) = "long[]" THEN community ELSE null END as communities
LIMIT toInteger($limit);

Volledige database exporteren naar cypher statements (bv. voor publicatie in Cloud)

CALL apoc.export.cypher.all("all-plain.cypher", {
    format: "plain",
    useOptimizations: {type: "UNWIND_BATCH", unwindBatchSize: 20}
})
YIELD file, batches, source, format, nodes, relationships, properties, time, rows, batchSize
RETURN file, batches, source, format, nodes, relationships, properties, time, rows, batchSize;

Bestuurders Beursgenoteerde bedrijven in Neo4j - deel 3

Wordt het netwerk al dan niet gedomineerd door een select groepje bestuurders?

Densiteit van het netwerk

Zie dit artikel over densiteit.

match (n)-[r]->()
with count(distinct n) as nrofnodes,
count(distinct r) as nrofrels
return nrofnodes, nrofrels,
nrofrels/(nrofnodes * (nrofnodes - 1.0)) as density

Conclusie lijkt te zijn dat we te maken hebben met een zeer lage dichtheid.

Graad van de bedrijfsnodes

Hoe kunnen we weten of de bedrijfnodes sterk met elkaar verweven zijn. We kijken naar de verdeling van de graad van deze nodes.

Zie histogram in de google sheet.

match (c:Company)
return c.label, apoc.node.degree(c,'<') as degree
order by degree desc;

Graad van de persoonsnodes

Zie histogram in de de google sheet.

match (p:Person)
return p.label, apoc.node.degree(p,'>') as degree
order by degree desc;

Gebruik maken van Community Detection algoritme me Louvain

Verschillende communities van mensen en hun aantallen

match (p:Person)
return distinct p.louvain, count(p)
order by count(p) desc

Een bepaalde community bekijken

3 hops diep:

match path = (p:Person {louvain: 993})-[*..3]-(conn)
return path;

2 hops diep:

match path = (p:Person {louvain: 1015})-[*..2]-(conn)
return path;

Welke zijn de grootste communities, welke mensen en personen zitten er in

match (p:Person)
with distinct p.louvain as louvains, count(p) as count
order by count desc
limit 10
unwind louvains as onelouvain
match (p:Person {louvain: onelouvain})--(c:Company)
return p.louvain, collect(distinct(p.label)), collect(distinct(c.label));

Gebruik maken van pagerank

Zie dit artikel over het Pagerank algoritme. === Wie/wat is het belangrijkst volgens pagerank

match (n)
return n.label, head(labels(n)), n.pagerank, n.betweenness, n.closeness, n.louvain
order by n.pagerank desc
limit 10;

Belangrijkste bedrijven volgens pagerank

match (n:Company)
return n.label, n.pagerank, n.betweenness, n.closeness, n.louvain
order by n.pagerank desc
limit 10

Belangrijkste personen volgens pagerank

match (n:Person)
return n.label, n.pagerank, n.betweenness, n.closeness, n.louvain
order by n.pagerank desc
limit 10

Discrepanties tussen "gewicht" van relaties en pagerank van personen

Vergelijk volgende twee resultaten:

match (p:Person)-[r]-(c:Company)
return p.label, r.weight, c.label, p.pagerank
order by p.pagerank desc;

vs.

match (p:Person)-[r]-(c:Company)
return p.label, r.weight, c.label, p.pagerank
order by r.weight desc;

Dit duidt op een verschil tussen de structurele en quantitatieve belangen van personen/entiteiten in het netwerk?

Belangrijke personen volgens betweenness

match (p:Person)
with p, p.betweenness as betweenness
order by betweenness desc
limit 10
match path = (p)-[*..2]-(conn)
return path;
Table 1. Resultaat:
Persoon Betweenness

"Hilde Laga"

75631.80039682535

"Frank Donck"

68489.61169108667

"Luc Bertrand"

45942.1094322345

"Michèle Sioen"

37586.583730158636

"Johan Deschuyffeleer"

31068.609920634928

"Luc Missorten"

29610.0

"Koen Hoffman"

28737.442857142916

"Philippe Vlerick"

28364.0999999999

"Pierre Macharis"

25421.366971916923

"Marion Debruyne"

25020.31855921862

match (p:Person)
with p, p.betweenness as betweenness
order by betweenness desc
limit 10
match path = (p)-[*..3]-(conn)
return path
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
You can’t perform that action at this time.