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 inferenza Gremlin in Neptune ML
Come descritto in Funzionalità di Neptune ML, Neptune ML supporta modelli di addestramento che possono eseguire i seguenti tipi di attività di inferenza:
Classificazione dei nodi: previsione della funzionalità categoriale di una proprietà del vertice.
Regressione dei nodi: previsione di una proprietà numerica di un vertice.
Classificazione degli archi: previsione della funzionalità categoriale di una proprietà dell'arco.
Regressione degli archi: previsione di una proprietà numerica di un arco.
Previsione dei collegamenti: previsione dei nodi di destinazione per un nodo di origine e un arco in uscita specifici oppure i nodi di origine per un nodo di destinazione e un arco in entrata specificati.
Possiamo illustrare queste diverse attività con esempi che utilizzano il set di dati da MovieLens 100.000
Classificazione dei nodi: nel set di dati precedente, Genre è un tipo di vertice collegato al tipo di vertice Movie tramite l'arco included_in. Tuttavia, se si modifica il set di dati per rendere Genre una funzionalità categorialeMovie, il problema di dedurre Genre per i nuovi film aggiunti al grafo della conoscenza può essere risolto usando modelli di classificazione dei nodi.
Regressione dei nodi: se si considera il tipo di vertice Rating, che ha proprietà come timestamp e score, il problema di dedurre il valore numerico Score per una valutazione Rating può essere risolto usando modelli di regressione dei nodi.
Classificazione dei bordi: allo stesso modo, per un Rated bordo, se abbiamo una proprietà Scale che può avere uno dei valori,,Love,Like,, Dislike NeutralHate, allora il problema della deduzione Scale per l'Ratededge per nuovi movies/ratings può essere risolto utilizzando modelli di classificazione dei bordi.
Regressione degli archi: allo stesso modo, se per lo stesso arco Rated è presente una proprietà Score che contiene un valore numerico per la valutazione, questo può essere dedotto usando modelli di regressione degli archi.
Previsione dei collegamenti: nell'ambito della previsione dei collegamenti rientrano problemi come trovare i dieci utenti con le maggiori probabilità di valutare un determinato film o trovare i primi dieci film con le maggiori probabilità di essere valutati da un utente specifico.
Nota
Per i casi d'uso di Neptune ML, è disponibile un ampio set di notebook progettati per fornire informazioni pratiche su ogni caso d'uso. È possibile creare questi notebook insieme al cluster Neptune quando si utilizza il modello Neptune ML per creare un cluster Neptune ML. AWS CloudFormation Questi notebook sono disponibili anche su github
Argomenti
