Neptune ML 中的 Gremlin 推理查询 - Amazon Neptune
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

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 ML 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 数据集提供者GroupLens 研究. 此数据集由电影、用户和用户对电影的评级组成,我们从中创建了这样的属性图:

使用 MovieLens 100k 数据集的示例影片属性图

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included_in. 但是,如果我们调整数据集来制作Genre一个分类的顶点类型的要素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timestampscore,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这可能是其中一种价值LoveLikeDislikeNeutralHate,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这是评级的数值,那么可以从边缘回归模型中推断出来。

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。

注意

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。这些笔记本还可用于Github也可以。