Query di classificazione degli archi Gremlin in Neptune ML - Amazon Neptune
Sintassi di classificazione degli archiUtilizzo dell'inferenza induttiva

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Query di classificazione degli archi Gremlin in Neptune ML

Per la classificazione degli archi Gremlin in Neptune ML:

  • Il modello viene addestrato su una proprietà degli archi. Il set di valori univoci di questa proprietà è definito come un set di classi.

  • Il valore della classe o della proprietà categoriale di un arco può essere dedotto dal modello di classificazione degli archi, utile quando questa proprietà non è già collegata all'arco.

  • Per recuperare una o più classi da un modello di classificazione degli archi, è necessario utilizzare il passaggio with() con il predicato "Neptune#ml.classification" per configurare il passaggio properties(). Il formato di output è simile a quello previsto se si trattasse di proprietà degli archi.

Nota

La classificazione degli archi funziona solo con i valori delle proprietà stringa. Ciò significa che i valori delle proprietà numeriche come 0 o 1 non sono supportati, sebbene gli equivalenti stringa "0" e "1" lo siano. Allo stesso modo, i valori delle proprietà booleane true e false non sono supportati, ma "true" e "false" funzionano.

Ecco un esempio di query di classificazione degli archi che richiede un punteggio di attendibilità usando il predicato Neptune#ml.score :

g.with("Neptune#ml.endpoint","edge-classification-movie-lens-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by", "Neptune#ml.score").with("Neptune#ml.classification")

E la risposta avrà un aspetto simile al seguente:

==>p[knows_by->"Family"]
==>p[Neptune#ml.score->0.01234567]
==>p[knows_by->"Friends"]
==>p[Neptune#ml.score->0.543210]
==>p[knows_by->"Colleagues"]
==>p[Neptune#ml.score->0.10101]

Sintassi di una query di classificazione degli archi Gremlin

Per un grafo semplice in cui User è il nodo di testa e il nodo di coda e Relationship è l'arco che li collega, ecco un esempio di query di classificazione degli archi:

g.with("Neptune#ml.endpoint","edge-classification-social-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by").with("Neptune#ml.classification")

L'output di questa query ha un aspetto simile al seguente:

==>p[knows_by->"Family"]
==>p[knows_by->"Friends"]
==>p[knows_by->"Colleagues"]

Nella query precedente i passaggi properties() e E() vengono utilizzati nel modo seguente:

  • Il passaggio E() contiene il set di archi per cui recuperare le classi dal modello di classificazione degli archi:

    .E("relationship_1","relationship_2","relationship_3")

  • Il passaggio properties() contiene la chiave su cui è stato addestrato il modello e include .with("Neptune#ml.classification") per indicare che si tratta di una query di inferenza ML per la classificazione degli archi.

Attualmente non sono supportate più chiavi delle proprietà in un passaggio properties().with("Neptune#ml.classification"). Ad esempio, la query seguente restituisce un'eccezione:

g.with("Neptune#ml.endpoint","edge-classification-social-endpoint")
 .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role")
 .E("relationship_1","relationship_2","relationship_3")
 .properties("knows_by", "other_label").with("Neptune#ml.classification")

Per i messaggi di errore specifici, consulta Elenco delle eccezioni per le query di inferenza Gremlin in Neptune ML.

È possibile usare un passaggio properties().with("Neptune#ml.classification") in combinazione con uno dei seguenti passaggi:

  • value()

  • value().is()

  • hasValue()

  • has(value,"")

  • key()

  • key().is()

  • hasKey()

  • has(key,"")

  • path()

Utilizzo dell'inferenza induttiva in una query di classificazione degli archi

Si supponga di dover aggiungere un nuovo arco a un grafo esistente in un notebook Jupyter, in questo modo:

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

È quindi possibile utilizzare una query di inferenza induttiva per ottenere una valutazione che tenga conto del nuovo arco:

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

Poiché la query è non deterministica, potrebbe restituire risultati leggermente diversi se la si esegue più volte, in base al neighborhood casuale:

# First time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]

# Second time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.21365921]

Se sono necessari risultati più coerenti, puoi rendere la query deterministica:

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

Ora i risultati saranno più o meno gli stessi ogni volta che si esegue la query:

# First time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]

# Second time
==>vp[scale->Like]
==>vp[Neptune#ml.score->0.12345678]