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Neptune ML 功能中所述，Neptune ML 支持可以执行以下类型的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 - 预测边缘的数值属性。
链接预测 - 根据源节点和传出边缘预测目标节点，或者根据目标节点和传入边缘预测源节点。
我们可以借助使用 MovieLens 100k 数据集
节点分类：在上面的数据集中，Genre 是一种通过 included_in 边缘与顶点类型 Movie 相连的顶点类型。但是，如果我们调整数据集以使 Genre 成为顶点类型 Movie 的分类Genre 的问题。
节点回归：如果我们考虑具有如 timestamp 和 score 等属性的顶点类型 Rating，则可以使用节点回归模型来解决对于 Rating 推理数值 Score 的问题。
边缘分类：同样，对于 Rated 边缘，如果我们有一个属性 Scale 可以具有值（Love、Like、Dislike、Neutral、Hate）之一，就可以使用边缘分类模型来解决对于新电影/评分的 Rated 边缘推理 Scale 的问题。
边缘回归：同样，对于同一 Rated 边缘，如果我们有一个属性 Score 可以保存评分的数值，那么可以从边缘回归模型中推理出来。
链接预测：诸如查找最有可能对给定电影进行评分的前十名用户，或者找到给定用户最有可能评分的前十部电影之类的问题，属于链接预测的范围。