本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Gremlin 推理查询中使用的 Neptune ML 谓词

Neptune#ml.deterministic

此谓词是归纳推理查询的选项，也就是说，适用于包含 Neptune#ml.inductiveInference 谓词的查询。

使用归纳推理时，Neptune 引擎会创建相应的子图来评估训练后的GNN模型，该子图的要求取决于最终模型的参数。具体而言，该num-layer参数确定从目标节点或边开始的遍历跳数，该fanouts参数指定在每跳处要对多少邻居进行采样（参见HPO参数）。

默认情况下，归纳推理查询在非确定性模式下运行，在这种模式下，Neptune 会随机构建邻域。在进行预测时，这种正常的随机邻居采样有时会产生不同的预测。

当您在归纳推理查询中包含 Neptune#ml.deterministic 时，Neptune 引擎尝试以确定性的方式对邻居进行采样，这样对同一查询的多次调用每次都会返回相同的结果。但是，不能保证结果是完全确定的，因为分布式系统的底层图形和构件的变化仍然会带来波动。

您可以在查询中加入 Neptune#ml.deterministic 谓词，如下所示：

.with("Neptune#ml.deterministic")

如果 Neptune#ml.deterministic 谓词包含在也不包含 Neptune#ml.inductiveInference 的查询中，则直接将其忽略。

Neptune#ml.disableInductiveInferenceMetadataCache

此谓词是归纳推理查询的选项，也就是说，适用于包含 Neptune#ml.inductiveInference 谓词的查询。

对于归纳推理查询，Neptune 使用存储在 Amazon S3 中的元数据文件来决定构建邻域时的跳数和扇出。Neptune 通常会缓存此模型的元数据，以避免重复从 Amazon S3 获取文件。可以通过在查询中包含 Neptune#ml.disableInductiveInferenceMetadataCache 谓词来禁用缓存。尽管 Neptune 直接从 Amazon S3 获取元数据可能会比较慢，但是当 SageMaker 终端节点在重新训练或转换后已更新并且缓存已过时时，它会很有用。

您可以在查询中加入 Neptune#ml.disableInductiveInferenceMetadataCache 谓词，如下所示：

.with("Neptune#ml.disableInductiveInferenceMetadataCache")

以下是 Jupyter 笔记本中示例查询的样子：

%%gremlin
g.with("Neptune#ml.endpoint", "ep1")
 .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole")
 .with("Neptune#ml.disableInductiveInferenceMetadataCache")
 .V('101').properties("rating")
 .with("Neptune#ml.regression")
 .with("Neptune#ml.inductiveInference")

Neptune#ml.endpoint

必要时，在 with() 步骤中使用 Neptune#ml.endpoint 谓词来指定推理端点：

 .with("Neptune#ml.endpoint", "the model's SageMaker inference endpoint")

您可以通过终端节点id或其来识别终端节点URL。例如：

 .with( "Neptune#ml.endpoint", "node-classification-movie-lens-endpoint" )

或者：

 .with( "Neptune#ml.endpoint", "https://runtime.sagemaker.us-east-1.amazonaws.com/endpoints/node-classification-movie-lens-endpoint/invocations" )

Neptune#ml.iamRoleArn

Neptune#ml.iamRoleArn在with()步骤中用于指定 SageMaker 执行ARNIAM角色（如有必要）：

 .with("Neptune#ml.iamRoleArn", "the ARN for the SageMaker execution IAM role")

有关如何创建 SageMaker 执行IAM角色的信息，请参阅创建自定义 NeptuneSageMakerIAMRole角色。

Neptune #ml. inductiveInference

Gremlin 中已默认启用转导推理。要进行实时归纳推理查询，请加入 Neptune#ml.inductiveInference 谓词，如下所示：

.with("Neptune#ml.inductiveInference")

如果您的图形是动态的，则归纳推理通常是最佳选择；但如果图形是静态的，则转导推理会更快、更高效。

Neptune#ml.limit

Neptune#ml.limit 谓词可以选择限制每个实体返回的结果数：

 .with( "Neptune#ml.limit", 2 )

默认情况下，限制为 1，可设置的最大数量为 100。

Neptune#ml.threshold

Neptune#ml.threshold 谓词可以选择为结果分数设定截止阈值：

 .with( "Neptune#ml.threshold", 0.5D )

这使您可以丢弃分数低于指定阈值的所有结果。

Neptune#ml.classification

将Neptune#ml.classification谓词附加到properties()步骤中，以确定需要从节点分类模型的 SageMaker 端点获取属性：

 .properties( "property key of the node classification model" ).with( "Neptune#ml.classification" )

Neptune#ml.regression

将Neptune#ml.regression谓词附加到properties()步骤中，以确定需要从节点回归模型的 SageMaker 端点获取属性：

 .properties( "property key of the node regression model" ).with( "Neptune#ml.regression" )

Neptune#ml.prediction

Neptune#ml.prediction 谓词附加到 in() 和 out() 步骤，以确定这是一个链接预测查询：

 .in("edge label of the link prediction model").with("Neptune#ml.prediction").hasLabel("target node label")

Neptune#ml.score

在 Gremlin 节点或边缘分类查询中使用 Neptune#ml.score 谓词来获取机器学习置信度分数。在 properties() 步骤中应将 Neptune#ml.score 谓词与查询谓词一起传递，以获得节点或边缘分类查询的 ML 置信度分数。

您可以找到一个包含其它节点分类示例的节点分类示例，以及边缘分类部分中的一个边缘分类示例。