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 features 欄位
屬性值和 RDF 常值有不同的格式和資料類型。若要在機器學習中實現良好的效能，必須將這些值轉換為稱為特徵的數值編碼。
Neptune ML 會執行特徵擷取和編碼，做為資料匯出和資料處理步驟的一部分，如 Neptune ML 中的特徵編碼 中所述。
對於屬性圖資料集，匯出程序會自動針對字串屬性和包含多個值的數值屬性推斷 auto 特徵。對於包含單一值的數值屬性，它會推斷 numerical 特徵。對於日期屬性，它會推斷 datetime 特徵。
如果您想要覆寫自動推斷的特徵規格，或為屬性新增儲存貯體數值、TF-IDF、FastText 或 SBERT 規格，您可以使用特徵欄位控制特徵編碼。
注意
您只能使用 features 欄位來控制屬性圖資料的特徵規格，而不能控制 RDF 資料的特徵規格。
對於自由格式的文字，Neptune ML 可以使用數個不同的模型，將字串屬性值中的記號序列轉換為固定大小的實數值向量：
text_fasttext – 使用 fastText
編碼。對於使用 fastText 所支援五種語言的一種且只有一種的功能，這是建議的編碼方式。 text_sbert – 使用句子 BERT
(SBERT) 編碼模型。對於 text_fasttext不支援的文字，這是建議的編碼方式。text_word2vec – 使用 Google
最初發佈的 Word2VEC 演算法來編碼文字。Word2Vec 只支援英文。 text_tfidf – 使用詞頻-逆向文件頻率
(TF-IDF) 向量化程式來編碼文字。TF-IDF 編碼支援其他編碼不支援的統計特徵。
features 欄位包含節點屬性特徵的 JSON 陣列。陣列中的物件可以包含下列欄位：
內容
features 中的 node 欄位
node 欄位指定特徵頂點的屬性圖標籤。例如：
"node": "Person"
如果一個頂點有多個標籤，請使用陣列來包含它們。例如：
"node": ["Admin", "Person"]
features 中的 edge 欄位
edge 欄位指定特徵邊緣的邊緣類型。邊緣類型由陣列組成，此陣列包含來源頂點的屬性圖標籤、邊緣的屬性圖標籤，以及目的地頂點的屬性圖標籤。指定邊緣特徵時，您必須提供全部三個值。例如：
"edge": ["User", "reviewed", "Movie"]
如果邊緣類型的來源或目標頂點有多個標籤，請使用另一個陣列來包含它們。例如：
"edge": [["Admin", "Person"]. "edited", "Post"]
features 中的 property 欄位
使用屬性參數來指定由 node 參數所識別之頂點的屬性。例如：
"property" : "age"
特徵的 type 欄位可能值
type 參數指定要定義的特徵類型。例如：
"type": "bucket_numerical"
type 參數的可能值
-
"auto"– 指定 Neptune ML 應該自動偵測屬性類型並套用適當的特徵編碼。auto特徵也可以具有一個選用separator欄位。請參閱 Neptune ML 中的自動特徵編碼。
-
"category"– 此特徵編碼將屬性值表示為數個類別的其中一個。換句話說，此特徵可以採取一個或多個離散值。category特徵也可以具有一個選用separator欄位。請參閱 Neptune ML 中的類別特徵。
-
"numerical"– 此特徵編碼會將數值屬性值表示為連續間隔中的數字，其中「大於」和「小於」都有意義。numerical特徵也可以具有選用norm、imputer和separator欄位。請參閱 Neptune ML 中的數值特徵。
-
"bucket_numerical"– 此特徵編碼會將數值屬性值分成一組儲存貯體或類別。例如，您可以將人們的年齡編碼為 4 個儲存貯體：小孩 (0-20)、年輕人 (20-40)、中年人 (40-60) 和長者 (60 歲以上)。
bucket_numerical特徵需要range和bucket_cnt欄位，也可以選擇性地包含imputer和/或slide_window_size欄位。 -
"datetime"– 此特徵編碼會將 datetime 屬性值表示為下列類別特徵的陣列：年、月、工作日和小時。可以使用
datetime_parts參數消除這四個類別中的一個或多個類別。請參閱 Neptune ML 中的日期時間特徵。
-
"text_fasttext"– 此特徵編碼會使用 fastText模型，將由句子或自由格式文字組成的屬性值轉換為數值向量。它支持五種語言，即英文 ( en)、中文 (zh)、北印度文 (hi)、西班牙文 (es) 和法文 (fr)。對於這五種語言中任何一種的文字屬性值，text_fasttext是建議的編碼方式。不過，它無法處理同一句子包含多種語言單字的情況。對於 fastText 所支援語言以外的其他語言，請使用
text_sbert編碼。假設，如果您的屬性值文字字串長度超過 120 個記號，請使用
max_length欄位來限制"text_fasttext"編碼的每個字串中的記號數目。 -
"text_sbert"– 此編碼會使用句子 BERT(SBERT) 模型，將文字屬性值轉換為數值向量。Neptune 支援兩種 SBERT 方法，即 text_sbert128，這是預設值，如果您僅指定text_sbert和text_sbert512的話。它們之間的差異在於進行編碼的文字屬性中的記號數目上限。text_sbert128編碼僅會編碼前 128 個記號，而text_sbert512最多可編碼 512 個記號。因此，使用text_sbert512可能比text_sbert128需要更多的處理時間。這兩種方法都比text_fasttext慢。text_sbert方法支援多種語言，而且可以編碼包含多種語言的句子。* -
"text_word2vec"– 此編碼會使用 Word2VEC演算法，將文字屬性值轉換為數值向量。它僅支援英文。 -
"text_tfidf"– 此編碼會使用詞頻-逆向文件頻率(TF-IDF) 向量化程式，將文字屬性值轉換為數值向量。 您可以使用
ngram_range欄位、min_df欄位和max_features欄位來定義text_tfidf特徵編碼的參數。 -
"none"– 使用none類型會導致不發生任何特徵編碼。反而會剖析並儲存原始屬性值。僅在您計劃執行自己的自訂特徵編碼，做為自訂模型訓練的一部分時，才會使用
none。
norm 欄位
數值特徵需要此欄位。它會指定要在數值上使用的標準化方法：
"norm": "min-max"
支援以下標準化方法：
-
「min-max」 – 透過從中減去最小值，然後將其除以最大值與最小值之間的差值來標準化每個值。
-
「standard」 – 將每個值除以所有值的總和來標準化這些值。
-
「none」 – 不要在編碼期間標準化數值。
請參閱 Neptune ML 中的數值特徵。
language 欄位
語言欄位會指定文字屬性值中使用的語言。它的用法取決於文字編碼方法：
-
對於 text_fasttext 編碼，此欄位是必要的，且必須指定下列其中一種語言：
en(英文)zh(中文)hi(北印度文)es(西班牙文)fr(法文)
對於 text_sbert 編碼，不會使用此欄位，因為 SBERT 編碼是多語系的。
-
對於 text_word2vec 編碼，此欄位是選用的，因為
text_word2vec僅支援英文。如果存在，它必須指定英文模型的名稱："language" : "en_core_web_lg" 對於 text_tfidf 編碼，不會使用此欄位。
max_length 欄位
max_length 欄位是 text_fasttext 特徵的選用欄位，其中指定將編碼之輸入文字特徵中的記號數目上限。長度超過 max_length 的輸入文字會被截斷。例如，將 max_length 設定為 128，表示將忽略文字序列中第 128 之後的任何記號：
"max_length": 128
separator 欄位
此欄位可選擇性地與 category、numerical 和 auto 特徵搭配使用。它會指定一個字元，其可以用來將屬性值分成多個類別值或數值：
"separator": ";"
僅在屬性將多個分隔值儲存在單一字串 (例如 "Actor;Director" 或 "0.1;0.2") 中時，才會使用 separator 欄位。
range 欄位
bucket_numerical 特徵需要此欄位。它會指定要分成儲存貯體的數值範圍，格式為 [：lower-bound, upper-bound]
"range" : [20, 100]
如果屬性值小於下限，則會將其指派給第一個儲存貯體，或者如果它大於上限，則會將其指派給最後一個儲存貯體。
bucket_cnt 欄位
bucket_numerical 特徵需要此欄位。它會指定由 range 參數定義的數值範圍應分成的儲存貯體數目：
"bucket_cnt": 10
slide_window_size 欄位
此欄位可選擇性地搭配 bucket_numerical 特徵使用，以將值指派給多個儲存貯體：
"slide_window_size": 5
滑動視窗的運作方式是 Neptune ML 採取視窗大小 s，並將屬性的每個數值 v 轉換為從 v - s/2 到 v + s/2 的範圍。然後，此值會指定給範圍重疊的每個儲存貯體。
imputer 欄位
此欄位可選擇搭配 numerical 和 bucket_numerical 特徵使用，以提供填入缺失值的插補技術：
"imputer": "mean"
支援的插補技術如下：
"mean""median""most-frequent"
如果您未包含 imputer 參數，資料預先處理會在遇到缺失值時停止並結束。
請參閱 Neptune ML 中的數值特徵 和 Neptune ML 中的儲存貯體數值特徵。
max_features 欄位
此欄位是 text_tfidf 特徵可選擇性地用來指定要編碼的詞數上限：
"max_features": 100
設定為 100 會導致 TF-IDF 向量化程式只編碼 100 個最常見的字詞。如果未包含 max_features，則預設值為 5,000。
請參閱 Neptune ML 中文字特徵的 TF-IDF 編碼。
min_df 欄位
text_tfidf 特徵可選擇性地使用此欄位，來指定要編碼之字詞的文件頻率上限：
"min_df": 5
設定 5 表示字詞必須出現在至少 5 個不同的屬性值中，才能進行編碼。
如果您未包含 min_df 參數，預設值為 2。
請參閱 Neptune ML 中文字特徵的 TF-IDF 編碼。
ngram_range 欄位
text_tfidf 特徵可選擇性地使用此欄位，指定應將單字或記號的哪些大小序列視為要編碼的潛在個別字詞：
"ngram_range": [2, 4]
值 [2, 4] 指定 2、3 和 4 個單字的序列應被視為潛在的個別字詞。
如果您沒有明確設定 ngram_range，則預設值為 [1, 1]，這表示只有單一單字或記號會被視為要編碼的字詞。
請參閱 Neptune ML 中文字特徵的 TF-IDF 編碼。
datetime_parts 欄位
datetime 特徵可選擇性地使用此欄位，來指定要以分類方式編碼 datetime 值的哪些部分：
"datetime_parts": ["weekday", "hour"]
如果您未包含 datetime_parts，Neptune ML 預設會編碼 datetime 值的年、月、工作日和小時部分。值 ["weekday", "hour"] 表示只有 datetime 值的工作日和小時應在特徵中進行分類編碼。
如果其中一個部分在訓練集中沒有多個唯一值，則不會對其進行編碼。
