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
<a name="machine-learning-gremlin-edge-regression"></a>

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
<a name="machine-learning-gremlin-edge-regression-syntax"></a>

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
<a name="machine-learning-gremlin-edge-regression-inductive"></a>

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]
```