Requêtes d'inférence Gremlin dans Neptune ML

Comme décrit dans Fonctionnalités de Neptune ML, Neptune ML prend en charge les modèles d'entraînement qui peuvent effectuer les types de tâches d'inférence suivants :

Nous pouvons illustrer ces différentes tâches à l'aide d'exemples utilisant le jeu de données de MovieLens 100 000 unités fourni par GroupLens Research. Ce jeu de données comprend des films, des utilisateurs et des évaluations de ces films par les utilisateurs, à partir desquels nous avons créé un graphe de propriétés comme celui-ci :

Classification de nœud : dans le jeu de données ci-dessus, Genre est un type de sommet connecté au type de sommet Movie par l'arête included_in. Toutefois, si nous modifions le jeu de données pour faire de Genre une fonctionnalité catégorielle du type de sommet Movie, le problème de la déduction de Genre pour les nouveaux films ajoutés au graphe de connaissances peut être résolu à l'aide de modèles de classification de nœud.

Régression de nœud : si nous considérons le type de sommet Rating, qui possède des propriétés telles que timestamp et score, le problème de l'inférence de la valeur numérique Score pour un élément Rating peut être résolu à l'aide de modèles de régression de nœud.

Classification d'arête : de façon similaire, pour une arête Rated, si une propriété Scale peut avoir la valeur Love, Like, Dislike, Neutral ou Hate, le problème de l'inférence de Scale pour l'arête Rated pour les nouveaux films/évaluations peut être résolu en utilisant des modèles de classification d'arête.

Régression d'arête : de façon similaire, pour la même arête Rated, si une propriété Score contient une valeur numérique pour l'évaluation, celle-ci peut être déduite à partir des modèles de régression d'arête.

Prédiction des liens : des problèmes tels que la recherche des dix utilisateurs susceptibles d'évaluer le mieux un film donné ou la recherche des dix films qu'un utilisateur donné a le plus de chance d'évaluer relèvent de la prédiction des liens.