Neptune ML 中的 Gremlin 推理查询

如Neptune ML 功能中所述，Neptune ML 支持可以执行以下类型的推理任务的训练模型：

我们可以通过使用 R GroupLens es earch 提供的 MovieLens 100k 数据集的示例来说明这些不同的任务。这个数据集由电影、用户和用户对电影的评分组成，我们从中创建了如下所示的属性图：

节点分类：在上面的数据集中，Genre 是一种通过 included_in 边缘与顶点类型 Movie 相连的顶点类型。但是，如果我们调整数据集以使 Genre 成为顶点类型 Movie 的分类特征，则可以使用节点分类模型来解决对于添加到知识图谱中的新电影推理 Genre 的问题。

节点回归：如果我们考虑具有如 timestamp 和 score 等属性的顶点类型 Rating，则可以使用节点回归模型来解决对于 Rating 推理数值 Score 的问题。

边缘分类：同样，对于 Rated 边缘，如果我们有一个属性 Scale 可以具有值（Love、Like、Dislike、Neutral、Hate）之一，就可以使用边缘分类模型来解决对于新电影/评分的 Rated 边缘推理 Scale 的问题。

边缘回归：同样，对于同一 Rated 边缘，如果我们有一个属性 Score 可以保存评分的数值，那么可以从边缘回归模型中推理出来。

链接预测：诸如查找最有可能对给定电影进行评分的前十名用户，或者找到给定用户最有可能评分的前十部电影之类的问题，属于链接预测的范围。