本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Gremlin 推論查詢中使用的 Neptune ML 述詞

Neptune#ml.deterministic

這個述詞是針對歸納推論查詢的選項，也就是，針對包含 Neptune#ml.inductiveInference 述詞的查詢。

使用感應式推論時，Neptune 引擎會建立適當的子片段來評估訓練過的GNN模型，而此子片段的需求取決於最終模型的參數。具體而言， num-layer 參數會決定來自目標節點或邊緣的周遊躍點數量，而 fanouts 參數會指定每個躍點要取樣的鄰數 （請參閱HPO參數 ）。

根據預設，歸納推論查詢會在非確定性模式下執行，其中 Neptune 會隨機建置鄰域。在進行預測時，這種正常的隨機鄰近項目抽樣有時會導致不同的預測。

當您在歸納推論查詢中包含 Neptune#ml.deterministic 時，Neptune 引擎會嘗試以確定性的方式對鄰近項目進行取樣，以便相同查詢的多次調用，每次都會傳回相同的結果。不過，不能保證結果是完全確定的，因為對分散式系統的基礎圖形和成品的變更仍然可能會引起波動。

您可以在查詢中包含 Neptune#ml.deterministic 述詞，如下所示：

.with("Neptune#ml.deterministic")

如果包含 Neptune#ml.deterministic 述詞的查詢中未同時包含 Neptune#ml.inductiveInference，則只需將其忽略即可。

Neptune#ml.disableInductiveInferenceMetadataCache

這個述詞是針對歸納推論查詢的選項，也就是，針對包含 Neptune#ml.inductiveInference 述詞的查詢。

對於歸納推論查詢，Neptune 會使用儲存在 Amazon S3 中的中繼資料檔案，以在建立鄰域時決定躍點數和扇出數。Neptune 通常會快取此模型中繼資料，以避免重複從 Amazon S3 擷取檔案。可在查詢中包含 Neptune#ml.disableInductiveInferenceMetadataCache 述詞來停用快取。雖然 Neptune 直接從 Amazon S3 擷取中繼資料的速度可能較慢，但當 SageMaker 端點在重新訓練或轉換後更新且快取已過時，則很有用。

您可以在查詢中包含 Neptune#ml.disableInductiveInferenceMetadataCache 述詞，如下所示：

.with("Neptune#ml.disableInductiveInferenceMetadataCache")

以下是查詢範例在 Jupyter 筆記本中的可能樣子：

%%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

Neptune#ml.endpoint 述詞會在 with() 步驟中用來指定推論端點 (如有必要)：

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

您可以透過端點id或其 來識別端點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 用於with()步驟，以指定 SageMaker 執行IAM角色ARN的 ，如有必要：

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

如需有關如何建立 SageMaker 執行IAM角色的資訊，請參閱 建立自訂 NeptuneSageMakerIAMRole角色。

Neptune#ml。inductiveInference

預設會在 Gremlin 中啟用直推式推論。若要進行即時直推式推論查詢，請包含如下 Neptune#ml.inductiveInference 述詞：

.with("Neptune#ml.inductiveInference")

如果您的圖形是動態的，歸納推論通常是最佳選擇，但是如果您的圖形是靜態的，則直推式推論更快、更有效率。

Neptune#ml.limit

Neptune#ml.limit 述詞可以選擇性地限制每個實體傳回的結果數量：

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

根據預設，限制為 1，但可以設定的數量上限為 100。

Neptune#ml.threshold

Neptune#ml.threshold 述詞可以選擇性地建立結果分數的截止閾值：

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

這可讓您捨棄分數低於指定閾值的所有結果。

Neptune#ml.classification

Neptune#ml.classification 述詞會連接至 properties() 步驟，以建立需要從節點分類模型的 SageMaker 端點擷取屬性：

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

Neptune#ml.regression

Neptune#ml.regression 述詞會連接至 properties() 步驟，以建立需要從節點迴歸模型的 SageMaker 端點擷取屬性：

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

Neptune#ml.prediction

Neptune#ml.prediction 述詞會附加到 in() 和 out() 步驟，以確定這是連結預測查詢：

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

Neptune#ml.score

Neptune#ml.score 述詞用於 Gemlin 節點或邊緣分類查詢中，以擷取機器學習可信度分數。Neptune#ml.score 述詞應該與 properties() 步驟中的查詢述詞一起傳遞，以取得節點或邊緣分類查詢的 ML 可信度分數。

您可以在邊緣分類區段中找到節點分類範例與其他節點分類範例 和邊緣分類範例。