Consultas de classificação de bordas do Gremlin no Neptune ML - Amazon Neptune
Sintaxe de classificação de bordasUsar inferência indutiva

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Consultas de classificação de bordas do Gremlin no Neptune ML

Para consultas de classificação de bordas do Gremlin no Neptune ML:

  • O modelo é treinado em uma propriedade das bordas. O conjunto de valores exclusivos dessa propriedade é chamado de conjunto de classes.

  • O valor da classe ou da propriedade categórica de uma borda pode ser inferido do modelo de classificação de bordas, o que é útil quando essa propriedade ainda não está anexada à borda.

  • Para buscar uma ou mais classes de um modelo de classificação de bordas, é necessário usar a etapa with() com o predicado, "Neptune#ml.classification" para configurar a etapa properties(). O formato de saída é semelhante ao esperado se essas fossem propriedades de borda.

nota

A classificação de bordas só funciona com valores de propriedades de string. Isso significa que valores de propriedades numéricas, como 0 ou 1, não são compatíveis, embora a string seja equivalente a "0" e "1". Da mesma forma, os valores de propriedade booliana true e false não funcionam, mas "true" e "false" funcionam.

Aqui está um exemplo de consulta de classificação de bordas que solicita uma pontuação de confiança usando o predicado Neptune#ml.score:

g.with("Neptune#ml.endpoint","edge-classification-movie-lens-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by", "Neptune#ml.score").with("Neptune#ml.classification")

A resposta seria semelhante a esta:

==>p[knows_by->"Family"]
==>p[Neptune#ml.score->0.01234567]
==>p[knows_by->"Friends"]
==>p[Neptune#ml.score->0.543210]
==>p[knows_by->"Colleagues"]
==>p[Neptune#ml.score->0.10101]

Sintaxe de uma consulta de classificação de bordas do Gremlin

Para um grafo simples em que User é o nó principal e final e Relationship é a borda que os conecta, um exemplo de consulta de classificação de bordas é:

g.with("Neptune#ml.endpoint","edge-classification-social-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by").with("Neptune#ml.classification")

O resultado dessa consulta seria algo semelhante ao seguinte:

==>p[knows_by->"Family"]
==>p[knows_by->"Friends"]
==>p[knows_by->"Colleagues"]

Na consulta acima, as etapas E() e properties() são usadas da seguinte forma:

  • A etapa E() contém o conjunto de bordas para os quais você deseja buscar as classes do modelo de classificação de bordas:

    .E("relationship_1","relationship_2","relationship_3")

  • A etapa properties() contém a chave na qual o modelo foi treinado e tem .with("Neptune#ml.classification") para indicar que se trata de uma consulta de inferência de ML de classificação de bordas.

Atualmente, não são aceitas várias chaves de propriedade em uma etapa properties().with("Neptune#ml.classification"). Por exemplo, a consulta a seguir ocasiona o lançamento de uma exceção:

g.with("Neptune#ml.endpoint","edge-classification-social-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by", "other_label").with("Neptune#ml.classification")

Sobre mensagens de erro específicas, consulte Lista de exceções para consultas de inferência do Gremlin no Neptune ML.

Uma etapa properties().with("Neptune#ml.classification") pode ser usada em combinação com qualquer uma das seguintes etapas:

  • value()

  • value().is()

  • hasValue()

  • has(value,"")

  • key()

  • key().is()

  • hasKey()

  • has(key,"")

  • path()

Usar inferência indutiva em uma consulta de classificação de bordas

Suponha que você adicione uma nova borda a um grafo existente, em um caderno Jupyter, da seguinte forma:

%%gremlin
g.V('1').as('fromV')
.V('2').as('toV')
.addE('eLabel1').from('fromV').to('toV').property(id, 'e101')

Depois, você poderia usar uma consulta de inferência indutiva para obter uma escala que levasse em conta a nova borda:

%%gremlin
g.with("Neptune#ml.endpoint", "ec-ep")
 .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole")
 .E('e101').properties("scale", "Neptune#ml.score")
 .with("Neptune#ml.classification")
 .with("Neptune#ml.inductiveInference")

Como a consulta não é determinística, os resultados seriam um pouco diferentes se você a executasse várias vezes, com base na vizinhança aleatória:

# First time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]

# Second time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.21365921]

Se precisar de resultados mais consistentes, você poderá tornar a consulta determinística:

%%gremlin
g.with("Neptune#ml.endpoint", "ec-ep")
 .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole")
 .E('e101').properties("scale", "Neptune#ml.score")
 .with("Neptune#ml.classification")
 .with("Neptune#ml.inductiveInference")
 .with("Neptune#ml.deterministic")

Agora, os resultados serão mais ou menos os mesmos toda vez que você executar a consulta:

# First time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]

# Second time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]