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 边缘回归查询
边缘回归与边缘分类类似，不同之处在于从 ML 模型推理的值是数值。对于边缘回归，Neptune ML 支持与分类相同的查询。
需要注意的要点是：
您需要使用 ML 谓词
"Neptune#ml.regression"来配置此用例的properties()步骤。"Neptune#ml.limit"和"Neptune#ml.threshold"谓词不适用于此用例。要对值进行筛选，您需要将该值指定为数值。
Gremlin 边缘回归查询的语法
对于一个简单的图形，其中 User 是头节点，Movie 是尾节点，Rated 是连接它们的边缘，下面是一个边缘回归查询示例，它可以找到边缘 Rated 的数值评分值，此处称为分数：
g.with("Neptune#ml.endpoint","edge-regression-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .E("rating_1","rating_2","rating_3") .properties("score").with("Neptune#ml.regression")
也可以根据从 ML 回归模型推理的值进行筛选。对于由 "rating_1"、"rating_2" 和 "rating_3" 标识的现有 Rated 边缘（从 User 到 Movie），如果这些评分不存在边缘属性 Score，则可以使用如下查询对于其大于或等于 9 的边缘推理 Score：
g.with("Neptune#ml.endpoint","edge-regression-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .E("rating_1","rating_2","rating_3") .properties("score").with("Neptune#ml.regression") .value().is(P.gte(9))
在边缘回归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分数：
%%gremlin g.with("Neptune#ml.endpoint", "er-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .E('e101').properties("score") .with("Neptune#ml.regression") .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 ==>ep[score->96] # Second time ==>ep[score->91]
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", "er-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .E('e101').properties("score") .with("Neptune#ml.regression") .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 ==>ep[score->96] # Second time ==>ep[score->96]