기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Neptune ML의 Gremlin 추론 쿼리
Neptune ML 기능에 설명된 대로 Neptune ML은 다음과 같은 종류의 추론 작업을 수행할 수 있는 훈련 모델을 지원합니다.
노드 분류 – 버텍스 속성의 범주형 특성을 예측합니다.
노드 회귀 – 버텍스의 수치적 속성을 예측합니다.
엣지 분류 – 엣지 속성의 범주형 특성을 예측합니다.
엣지 회귀 – 엣지의 수치적 속성을 예측합니다.
연결 예측 – 소스 노드와 송신 엣지가 주어지면 대상 노드를 예측하거나, 대상 노드와 수신 엣지가 주어지면 소스 노드를 예측합니다.
GroupLens Research
노드 분류: 위 데이터 세트에서 Genre는 included_in 엣지로 Movie 버텍스 유형에 연결된 버텍스 유형입니다. 그러나 데이터 세트를 조정하여 Genre를 버텍스 유형의 Movie에 대한 범주형Genre 추론 문제는 노드 분류 모델을 사용하여 해결할 수 있습니다.
노드 회귀: timestamp 및 score와 같은 속성을 갖는 버텍스 유형 Rating을 고려하면 노드 회귀 모델을 사용하여 Rating에 대한 수치 값 Score를 추론하는 문제를 해결할 수 있습니다.
엣지 분류: 마찬가지로, Rated 엣지의 경우 Love, Like, Dislike, Neutral, Hate 중 하나의 값을 가질 수 있는 속성 Scale이 있으면 새 영화/평점에 대한 Rated 엣지의 Scale을 추론하는 문제는 엣지 분류 모델을 사용하여 해결할 수 있습니다.
엣지 회귀: 마찬가지로, 동일한 Rated 엣지에 대해 평점의 수치적 값을 포함하는 속성 Score가 있는 경우 엣지 회귀 모델을 통해 이를 유추할 수 있습니다.
연결 예측: 특정 영화를 평가할 가능성이 가장 높은 상위 10명의 사용자 찾기, 특정 사용자가 평가할 가능성이 가장 높은 상위 10개 영화 찾기 등과 같은 문제는 연결 예측에 속합니다.
참고
Neptune ML 사용 사례의 경우 각 사용 사례를 직접 이해할 수 있도록 설계된 매우 풍부한 노트북 세트가 있습니다. Neptune ML AWS CloudFormation 템플릿을 사용하여 Neptune ML 클러스터를 생성할 때 Neptune 클러스터와 함께 이러한 노트북을 생성할 수 있습니다. 이러한 노트북은 github
주제
