Gremlin-Inferenzabfragen in Neptune ML - Amazon Neptune

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Gremlin-Inferenzabfragen in Neptune ML

Wie in Neptune-ML-Fähigkeiten beschrieben, unterstützt Neptune ML Trainingsmodelle, die die folgenden Arten von Inferenzaufgaben ausführen können:

  • Knotenklassifizierung   –   Sagt das kategorische Feature einer Eckpunkteigenschaft vorher.

  • Knotenregression   –   Sagt eine numerische Eigenschaft eines Eckpunkts vorher.

  • Kantenklassifizierung   –   Sagt das kategorische Feature einer Kanteneigenschaft vorher.

  • Kantenregression   –   Sagt eine numerische Eigenschaft eines Eckpunkts vorher.

  • Linkvorhersage   –   Sagt anhand eines Quellknotens und einer ausgehenden Kante Zielknoten oder anhand eines Zielknotens und einer eingehenden Kante Quellknoten voraus.

Wir können diese verschiedenen Aufgaben anhand von Beispielen veranschaulichen, die den von GroupLens Research bereitgestellten MovieLens 100.000 Datensatz verwenden. Dieser Datensatz besteht aus Filmen, Benutzern und Bewertungen der Filme durch die Benutzer. Aus diesen Daten haben wir das folgende Eigenschaftsdiagramm erstellt:

Beispiel für ein Diagramm mit Filmeigenschaften unter Verwendung des MovieLens 100.000 Datensatzes

Knotenklassifizierung: Im Datensatz oben ist Genre ein Eckpunkttyp, der über die Kante included_in mit dem Eckpunkttyp Movie verbunden ist. Wenn der Datensatz jedoch so angepasst wird, dass Genre zum kategorischen Feature für den Eckpunkttyp Movie wird, kann das Problem der Ableitung des Werts für Genre für neue, zum Wissensdiagramm hinzugefügte Filme mit Knotenklassifizierungsmodellen gelöst werden.

Knotenregression: Bei Betrachtung des Eckpunkttyps Rating, der Eigenschaften wie timestamp und score besitzt, kann das Problem der Ableitung des numerischen Werts für Score für Rating mit Knotenregressionsmodellen gelöst werden.

Kantenklassifizierung: Ähnlich kann für eine Rated-Kante mit einer Eigenschaft Scale, die einen der Werte Love, Like, Dislike, Neutral, Hate haben kann, das Problem der Ableitung von Scale für die Kante Rated für neue Filme/Bewertungen mit Kantenklassifizierungsmodellen gelöst werden.

Kantenregression: Ähnlich kann für die gleiche Rated-Kante mit einer Eigenschaft Score, die einen numerischen Wert für die Bewertung enthält, kann dies anhand von Kantenregressionsmodellen abgeleitet werden.

Linkvorhersage: Probleme wie die Suche nach den zehn Benutzern, die einen bestimmten Film am wahrscheinlichsten bewerten werden, oder der Suche nach den zehn Filmen, die ein bestimmter Benutzer am wahrscheinlichsten bewerten wird, werden mit Linkvorhersagen gelöst.

Anmerkung

Für Neptune-ML-Anwendungsfälle gibt es einen sehr umfangreichen Satz von Notebooks, die Ihnen ein praktisches Verständnis jedes Anwendungsfalls vermitteln sollen. Sie können diese Notizbücher zusammen mit Ihrem Neptune-Cluster erstellen, wenn Sie die AWS CloudFormation Neptune-ML-Vorlage verwenden, um einen Neptune-ML-Cluster zu erstellen. Diese Notebooks sind auch auf github verfügbar.

Themen