Requêtes d'inférence Gremlin dans Neptune ML - Amazon Neptune

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Requêtes d'inférence Gremlin dans Neptune ML

Comme décrit dansCapacités Neptune ML, Neptune ML prend en charge les modèles d'apprentissage qui peuvent effectuer les types de tâches d'inférence suivants :

  • Classification des nœuds: prédit la caractéristique catégorielle d'une propriété de sommet.

  • Régression Nodes— Prédit une propriété numérique d'un sommet.

  • Classification des arêtes: prédit la caractéristique catégorielle d'une propriété d'arête.

  • Régression périphérique: prédit une propriété numérique d'une arête.

  • Prédiction du taux: prédit les nœuds de destination en fonction d'un nœud source et d'un tronçon sortant, ou les nœuds sources en fonction d'un nœud de destination et d'un tronçon entrant.

Nous pouvons illustrer ces différentes tâches à l'aide d'exemples qui utilisent leMovieLens ensemble de données 100kfourni parGroupLens Recherche. Ce jeu de données comprend les films, les utilisateurs et les évaluations des films par les utilisateurs, à partir desquels nous avons créé un graphique de propriétés comme celui-ci :

Exemple de graphique de propriétés de film à l'aide MovieLens ensemble de données 100k

Classification des nœuds : Dans l'ensemble de données ci-dessus,Genreest un type de sommet connecté au type de sommetMoviepar edgeincluded_in. Toutefois, si nous modifions le jeu de données pourGenreuncatégoriquefonction pour le type de sommetMovie, puis le problème de la déductionGenrepour les nouveaux films ajoutés à notre graphe de connaissances peuvent être résolus à l'aide de modèles de classification des nœuds.

Régression Nodes : Si l'on considère le type de sommetRating, qui possède des propriétés telles quetimestampetscore, puis le problème de la déduction de la valeur numériqueScorepour unRatingpeuvent être résolus à l'aide de modèles de régression de nœuds.

Classification des arêtes : De même, pour unRatededge, si nous avons une propriétéScalequi peut avoir l'une des valeurs,Love,Like,Dislike,Neutral,Hate, puis le problème de la déductionScalepour laRatededge pour les nouveaux films/évaluations peut être résolu à l'aide de modèles de classification des bords.

Régression périphérique : De même, pour le mêmeRatededge, si nous avons une propriétéScorequi contient une valeur numérique pour l'évaluation, puis cela peut être déduit à partir des modèles de régression de bord.

Prédiction du taux : Des problèmes tels que trouver les dix meilleurs utilisateurs qui sont les plus susceptibles d'évaluer un film donné, ou trouver les dix meilleurs films qu'un utilisateur donné est le plus susceptible d'évaluer, relèvent de la prédiction de lien.

Note

Pour les cas d'utilisation de Neptune ML, nous disposons d'un ensemble très complet de blocs-notes conçus pour vous donner une compréhension pratique de chaque cas d'utilisation. Vous pouvez créer ces blocs-notes avec votre cluster Neptune lorsque vous utilisez leNeptune MLAWS CloudFormationmodèlepour créer un cluster Neptune ML. Ces carnets sont également disponibles surgithubainsi que.