Neptune ML 中的 Gremlin 邊緣迴歸查詢 - Amazon Neptune
邊緣迴歸語法使用歸納推論

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Neptune ML 中的 Gremlin 邊緣迴歸查詢

邊緣迴歸類似於邊緣分類，不同之處在於從 ML 模型推斷出的值是數值。對於邊緣迴歸，Neptune ML 支援與分類相同的查詢。

需要注意的要點如下：

  • 您必須使用 ML 述詞 "Neptune#ml.regression"，針對此使用案例設定 properties() 步驟。

  • "Neptune#ml.limit" 和 "Neptune#ml.threshold" 述詞不適用於此使用案例。

  • 如需根據值進行過濾，您需要將該值指定為數值。

Gremlin 邊緣迴歸查詢的語法

對於簡單圖形，其中 User 是前端節點、Movie 是尾端節點，以及 Rated 是連接它們的邊緣，以下是一個範例邊緣迴歸查詢，其會尋找邊緣 Rated 的數值評分值，在這裡稱為分數：

g.with("Neptune#ml.endpoint","edge-regression-movie-lens-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("rating_1","rating_2","rating_3")
 .properties("score").with("Neptune#ml.regression")

您也可以根據從 ML 迴歸模型推斷出的值進行篩選。對於由 "rating_1"、"rating_2" 和 "rating_3" 所識別的現有 Rated 邊緣 (從 User 到 Movie)，其中這些評分不存在邊緣屬性 Score，您可以使用如下查詢來推斷邊緣的 Score，其中它大於或等於 9：

g.with("Neptune#ml.endpoint","edge-regression-movie-lens-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("rating_1","rating_2","rating_3")
 .properties("score").with("Neptune#ml.regression")
 .value().is(P.gte(9))

在邊緣迴歸查詢中使用歸納推論

假設您要在 Jupyter 筆記本中將新邊緣新增至現有圖形，如下所示：

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

然後，您可以使用歸納推論查詢，來取得考慮到新邊緣的分數：

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

因為查詢不具確定性，所以如果根據隨機鄰域多次執行該查詢，結果將會有些不同：

# First time
==>ep[score->96]

# Second time
==>ep[score->91]

如果需要更一致的結果，您可以使查詢具有確定性：

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

現在，每次執行查詢時，結果都會或多或少相同：

# First time
==>ep[score->96]

# Second time
==>ep[score->96]