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 推理查询
如中所述Neptune 机器学习功能,Neptune ML 支持可以执行以下推理任务的训练模型:
节点分类— 预测顶点属性的分类特征。
节点回归— 预测顶点的数值属性。
边缘分类— 预测边缘属性的分类特征。
边缘回归— 预测边缘的数字属性。
链接预测— 预测给定源节点和传出边缘的目标节点,或给定目标节点和传入边缘的源节点。
我们可以通过使用MovieLens 100k 数据集

节点分类:在上面的数据集中,Genre
是连接到顶点类型的顶点类型Movie
按边缘分类included_in
. 但是,如果我们调整数据集来制作Genre
一个分类的Movie
,那么推断的问题Genre
对于添加到我们知识图的新电影,可以使用节点分类模型来解决。
节点回归:如果我们考虑顶点类型Rating
,其中有类似的属性timestamp
和score
,那么推断数值的问题Score
对于Rating
可以使用节点回归模型来解决。
边缘分类:同样,对于Rated
边缘,如果我们有财产Scale
其中一种值可能为其中一种值,Love
、Like
、Dislike
、Neutral
、Hate
,那么推断的问题Scale
(对于 )Rated
可以使用边缘分类模型解决新电影/评级的边缘问题。
边缘回归:同样,同样Rated
边缘,如果我们有财产Score
它保有评级的数值,那么可以从边缘回归模型中推断出这一点。
链接预测:找到最有可能评分给定电影的前十名用户,或者找到给定用户最有可能评分的十大电影等问题属于链接预测范围。
对于 Neptune ML 用例,我们有一套非常丰富的笔记本电脑,旨在让您亲身了解每个用例。当你使用Neptune MLAmazon CloudFormation模板来创建 Neptune ML 集群。还可用于以下所示:Github
主题