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。
用於圖形上機器學習的 Amazon Neptune ML
在大型連線的資料集中通常會有珍貴的資訊，但很難僅根據人類的直覺使用查詢來擷取這些資訊。機器學習 (ML) 技術可以協助在具有數十億個關係的圖形中找出隱藏的關聯性。這些關聯性可能有助於推薦產品、預測信用度，識別詐欺等等。
Neptune ML 功能可讓您在數小時而不是數週的時間內，在大型圖形上建置並訓練有用的機器學習模型。為了達成此目的，Neptune ML 使用 Amazon SageMaker AI
注意
圖形頂點會在 Neptune ML 模型識別為「節點」。例如，頂點分類會使用節點分類機器學習模型，而頂點迴歸則會使用節點迴歸模型。
Neptune ML 可以做什麼
Neptune 同時支援直推式推論 (根據當時的圖形資料傳回訓練時預先計算的預測) 和直推式推論 (根據目前的資料，即時套用資料處理和模型評估)。請參閱 歸納推論與直推式推論之間的區別。
Neptune ML 可以訓練機器學習模型，以支援五種不同類別的推論：
Neptune ML 目前支援的推論任務類型
-
節點分類 – 預測頂點屬性的類別特徵。
例如, 鑑於電影 The Shawshank Redemption，Neptune ML 可以從
[story, crime, action, fantasy, drama, family, ...]的候選集將其genre屬性預測為story。有兩種類型的節點分類任務：
單一類別分類：在這種任務中，每個節點只有一個目標特徵。例如，
Alan Turing的屬性Place_of_birth具有值UK。多類別分類：在這種任務中，每個節點可有多個目標特徵。例如，影片 The Godfather 的屬性
genre具有值crime和story。
-
節點迴歸 – 預測頂點的數值屬性。
例如，鑑於電影 Avengers: Endgame，Neptune ML 可以預測其屬性
popularity具有5.0一值。 -
邊緣分類 – 預測邊緣屬性的類別特徵。
有兩種類型的邊緣分類任務：
單一類別分類：在這種任務中，每個邊緣只有一個目標特徵。例如，使用者與電影之間的評分邊緣可能具有屬性
liked，其值為「Yes」或「No」。多類別分類：在這種任務中，每個邊緣可有多個目標特徵。例如，使用者與電影之間的評分可能會對「Funny」、「Heartwarming」、「Chilling」等屬性標籤具有多個值。
-
邊緣迴歸 – 預測邊緣的數值屬性。
例如，使用者與電影之間的評分邊緣可能具有數值屬性
score，Neptune ML 可以鑑於使用者和電影針對該屬性預測一值。 -
連結預測 – 為特定來源節點和傳出邊緣預測最有可能的目的地節點，或為給定的目的地節點和傳入邊緣預測最有可能的來源節點。
例如，透過藥物疾病知識圖譜，假設
Aspirin作為來源節點，且treats作為傳出邊緣，Neptune ML 可以將最相關的目的地節點預測為heart disease、fever等等。或者，透過 Wikimedia 知識圖譜，假設
President-of作為邊緣或關聯，且United-States作為目的地節點，Neptune ML 可以將最相關的前端預測為George Washington、Abraham Lincoln、Franklin D. Roosevelt等等。
注意
節點分類和邊緣分類僅支援字串值。這表示不支援數值屬性值 (例如 0 或 1)，儘管字串等同於 "0" 和 "1"。同樣地，布林屬性值 true 和 false 不起作用，但 "true" 和 "false" 可以。
搭配 Neptune ML，您可以使用分為兩大類的機器學習模型：
Neptune ML 目前支援的機器學習模型類型
圖形神經網路（GNN）模型 – 其中包含 Relational Graph Convolutional Networks (R-GCNs)
。GNN 模型適用於上述所有三種類型的任務。 知識圖譜嵌入 (KGE) 模型 – 其中包括
TransE、DistMult和RotatE模型。它們僅適用於鏈接預測。
使用者定義的模型 – Neptune ML 也可讓您為上面列出的所有類型任務提供您自己的自訂模型實作。在使用 Neptune ML 訓練 API 搭配您的模型之前，您可以使用 Neptune ML 工具組
