本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
Neptune ML 中的 Gremlin 边缘分类查询
对于 Neptune ML 中的 Gremlin 边缘分类：
模型是在边缘的一个属性上训练的。此属性的唯一值集合称为一组类。
可以从边缘分类模型中推理边缘的类或分类属性值，当该属性尚未附加到边缘时，该模型很有用。
要从边缘分类模型中获取一个或多个类，您需要使用带有谓词
"Neptune#ml.classification"的with()步骤来配置properties()步骤。如果这些是边缘属性，则输出格式与您期望的格式类似。
注意
边缘分类仅适用于字符串属性值。这意味着不支持诸如 0 或 1 之类的数值属性值，但支持等同的字符串 "0" 和 "1"。同样，布尔属性值 true 和 false 不起作用，但 "true" 和 "false" 起作用。
以下是使用 Neptune#ml.score 谓词请求置信度分数的边缘分类查询的示例：
g.with("Neptune#ml.endpoint","edge-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .E("relationship_1","relationship_2","relationship_3") .properties("knows_by", "Neptune#ml.score").with("Neptune#ml.classification")
响应将如下所示：
==>p[knows_by->"Family"] ==>p[Neptune#ml.score->0.01234567] ==>p[knows_by->"Friends"] ==>p[Neptune#ml.score->0.543210] ==>p[knows_by->"Colleagues"] ==>p[Neptune#ml.score->0.10101]
Gremlin 边缘分类查询的语法
对于简单的图形，其中 User 是头部和尾部节点，Relationship 是连接它们的边缘，边缘分类查询的示例为：
g.with("Neptune#ml.endpoint","edge-classification-social-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .E("relationship_1","relationship_2","relationship_3") .properties("knows_by").with("Neptune#ml.classification")
此查询的输出如下所示：
==>p[knows_by->"Family"] ==>p[knows_by->"Friends"] ==>p[knows_by->"Colleagues"]
在上面的查询中，E() 和 properties() 步骤的使用方式如下：
-
E()步骤包含要从边缘分类模型中获取类的一组边缘：.E("relationship_1","relationship_2","relationship_3") -
properties()步骤包含训练模型所依据的键，并具有.with("Neptune#ml.classification")以表明这是边缘分类机器学习推理查询。
目前不支持在 properties().with("Neptune#ml.classification") 步骤中使用多个属性键。例如，以下查询会导致引发异常：
g.with("Neptune#ml.endpoint","edge-classification-social-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .E("relationship_1","relationship_2","relationship_3") .properties("knows_by", "other_label").with("Neptune#ml.classification")
有关具体的错误消息，请参阅Neptune ML Gremlin 推理查询的异常列表。
properties().with("Neptune#ml.classification") 步骤可以与以下任何步骤结合使用：
value()value().is()hasValue()has(value,"")key()key().is()hasKey()has(key,"")path()
在边缘分类查询中使用归纳推理
假设您要在 Jupyter 笔记本的现有图形中添加一个新边缘，如下所示：
%%gremlin g.V('1').as('fromV') .V('2').as('toV') .addE('eLabel1').from('fromV').to('toV').property(id, 'e101')
然后，您可以使用归纳推理查询来获得一个考虑了新边缘的比例：
%%gremlin g.with("Neptune#ml.endpoint", "ec-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .E('e101').properties("scale", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference")
由于查询不是确定性的，因此，如果您根据随机邻域多次运行该查询，结果会有所不同：
# First time ==>vp[scale->Like] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[scale->Like] ==>vp[Neptune#ml.score->0.21365921]
如果您需要更一致的结果，可以使查询具有确定性：
%%gremlin g.with("Neptune#ml.endpoint", "ec-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .E('e101').properties("scale", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference") .with("Neptune#ml.deterministic")
现在，每次运行查询时，结果都会大致相同：
# First time ==>vp[scale->Like] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[scale->Like] ==>vp[Neptune#ml.score->0.12345678]