تعد أنظمة التوصية واحدة من أكثر تقنيات التعلم الآلي (ML) التي يتم اعتمادها على نطاق واسع في تطبيقات العالم الحقيقي ، بدءًا من الشبكات الاجتماعية إلى منصات التجارة الإلكترونية. يعتمد مستخدمو العديد من الأنظمة عبر الإنترنت على أنظمة التوصية لتكوين صداقات جديدة ، واكتشاف موسيقى جديدة وفقًا لقوائم الموسيقى المقترحة ، أو حتى اتخاذ قرارات شراء التجارة الإلكترونية بناءً على المنتجات الموصى بها. في الشبكات الاجتماعية ، إحدى حالات الاستخدام الشائعة هي التوصية بأصدقاء جدد للمستخدم بناءً على اتصالات المستخدمين الأخرى. من المحتمل أن يعرف المستخدمون الذين لديهم أصدقاء مشتركون بعضهم البعض. لذلك ، يجب أن يحصلوا على درجة أعلى حتى يقترح نظام التوصية ما إذا لم يتم توصيلهم بعد.
يمكن التعبير عن الشبكات الاجتماعية بشكل طبيعي في رسم بياني ، حيث تمثل العقد الأشخاص ، ويتم تمثيل الروابط بين الأشخاص ، مثل الصداقة أو زملاء العمل ، بالحواف. يوضح ما يلي إحدى هذه الشبكات الاجتماعية. لنتخيل أن لدينا شبكة اجتماعية مع الأعضاء (العقد) بيل ، وتيري ، وهنري ، وغاري ، وأليستير. يتم تمثيل علاقاتهم بواسطة رابط (حافة) ، ويتم تمثيل اهتمامات كل شخص ، مثل الرياضة والفنون والألعاب والقصص المصورة بخصائص العقدة.
الهدف هنا هو توقع ما إذا كان هناك رابط مفقود محتمل بين الأعضاء. على سبيل المثال ، هل يجب أن نوصي باتصال بين هنري وتيري؟ بالنظر إلى الرسم البياني ، يمكننا أن نرى أن لديهم صديقين مشتركين ، غاري وأليستير. لذلك ، هناك فرصة جيدة لأن يعرف كل من هنري وتيري بعضهما البعض بالفعل أو قد يتعرفان على بعضهما البعض قريبًا. ماذا عن هنري وبيل؟ ليس لديهم أي أصدقاء مشتركين ، لكن لديهم بعض الروابط الضعيفة من خلال اتصالات أصدقائهم. بالإضافة إلى ذلك ، كلاهما لهما اهتمامات مماثلة في الفنون والكوميديا والألعاب. يجب علينا تعزيز هذا الاتصال؟ كل هذه الأسئلة والحدس هي المنطق الأساسي لأنظمة توصية الشبكات الاجتماعية.
إحدى الطرق الممكنة للقيام بذلك هي التوصية بالعلاقات القائمة على استكشاف الرسم البياني. في لغات الاستعلام عن الرسم البياني ، مثل اباتشي تينكر بوب جريملين، فإن تنفيذ مجموعات القواعد مثل عد الأصدقاء المشتركين ، سهل نسبيًا ، ويمكن استخدامه لتحديد الارتباط بين Henry و Terry. ومع ذلك ، ستكون مجموعات القواعد هذه معقدة للغاية عندما نريد حساب سمات أخرى مثل خصائص العقدة وقوة الاتصال وما إلى ذلك. دعنا نتخيل مجموعة قواعد لتحديد الارتباط بين Henry و Bill. يجب أن تأخذ مجموعة القواعد هذه في الاعتبار مصالحهم المشتركة وارتباطاتهم الضعيفة من خلال مسارات معينة في الرسم البياني. لزيادة المتانة ، قد نحتاج أيضًا إلى إضافة عامل مسافة لتفضيل الاتصالات القوية ومعاقبة الروابط الضعيفة. وبالمثل ، نريد عاملًا لصالح المصالح المشتركة. قريباً ، سيصبح من المستحيل تعداد مجموعات القواعد التي يمكن أن تكشف عن أنماط مخفية معقدة.
تتيح لنا تقنية ML اكتشاف الأنماط المخفية من خلال تعلم الخوارزميات. أحد الأمثلة على ذلك هو XGBoost ، والذي يستخدم على نطاق واسع لمهام التصنيف أو الانحدار. ومع ذلك ، فإن الخوارزميات مثل XGBoost تستخدم نهج ML التقليدي بناءً على تنسيق بيانات جدولي. لم يتم تحسين هذه الأساليب لهياكل بيانات الرسم البياني ، وتتطلب هندسة ميزات معقدة للتعامل مع أنماط البيانات هذه.
في مثال الشبكة الاجتماعية السابق ، تعتبر معلومات تفاعل الرسم البياني ضرورية لتحسين دقة التوصيات. شبكة Graph Neural Network (GNN) عبارة عن إطار عمل للتعلم العميق (DL) يمكن تطبيقه على بيانات الرسم البياني لأداء مهام التنبؤ على مستوى الحافة أو مستوى العقدة أو مستوى الرسم البياني. يمكن لشبكات GNN الاستفادة من خصائص العقدة الفردية بالإضافة إلى معلومات بنية الرسم البياني عند تعلم تمثيل الرسم البياني والأنماط الأساسية. لذلك ، في السنوات الأخيرة ، وضعت الطرق المستندة إلى GNN معايير جديدة على العديد من معايير نظام التوصية. شاهد المزيد من المعلومات التفصيلية في الأوراق البحثية الحديثة: مسح شامل لشبكات الرسم البياني العصبية و أنظمة التوصية القائمة على تعلم الرسم البياني: مراجعة.
ما يلي هو أحد الأمثلة الشهيرة لحالة الاستخدام هذه. تم تدريب الباحثين والمهندسين في Pinterest رسم بياني للشبكات العصبية التلافيفية لأنظمة التوصية على نطاق الويب، تسمى PinSage ، مع ثلاثة مليارات عقدة تمثل المسامير واللوحات ، و 18 مليار حافة. يُنشئ PinSage زخارف عالية الجودة تمثل دبابيس (إشارات مرجعية مرئية إلى المحتوى عبر الإنترنت). يمكن استخدام هذه لمجموعة كبيرة من مهام التوصية المتلقية للمعلومات ، مثل عمليات البحث عن أقرب الجيران في مساحة التضمين التي تم التعرف عليها لاكتشاف المحتوى والتوصيات.
في هذا المنشور ، سنرشدك إلى كيفية استخدام GNNs لحالات استخدام التوصية عن طريق اعتبارها مشكلة توقع ارتباط. سنشرح أيضًا كيف يمكن لـ Neptune ML تسهيل التنفيذ. سوف نقدم أيضا نموذج التعليمات البرمجية على جيثب لتدريب GNN الأول الخاص بك مع Neptune ML ، وتقديم استنتاجات التوصية على الرسم البياني التجريبي من خلال مهام التنبؤ بالرابط.
ربط التنبؤ بالشبكات العصبية للرسم البياني
بالنظر إلى المثال السابق للشبكة الاجتماعية ، نود أن ننصح هنري بأصدقاء جدد. سيكون كل من تيري وبيل مرشحين جيدين. لدى تيري أصدقاء أكثر شيوعًا (غاري وأليستير) مع هنري ولكن لا توجد اهتمامات مشتركة. بينما يشترك بيل في اهتمامات مشتركة (فنون ، كاريكاتير ، ألعاب) مع هنري ، لكن لا يوجد أصدقاء مشتركون. أيهما أفضل توصية؟ عند وضع إطار كمشكلة توقع ارتباط ، تكون المهمة هي تعيين درجة لأي ارتباط محتمل بين العقدتين. كلما زادت درجة الارتباط ، زادت احتمالية تقارب هذه التوصية. من خلال تعلم هياكل الارتباط الموجودة بالفعل في الرسم البياني ، يمكن لنموذج توقع الارتباط أن يعمم تنبؤات الارتباط الجديدة التي "تكمل" الرسم البياني.
معلمات الوظيفة f
الذي يتنبأ بنتيجة الارتباط يتم تعلمها أثناء مرحلة التدريب. منذ الوظيفة f
يقوم بالتنبؤ بأي عقدتين في الرسم البياني ، متجهات الميزات المرتبطة بالعقد ضرورية لعملية التعلم. للتنبؤ بنتيجة الارتباط بين Henry و Bill ، لدينا مجموعة من ميزات البيانات الأولية (فنون ، كاريكاتير ، ألعاب) يمكن أن تمثل Henry و Bill. نقوم بتحويل هذا ، جنبًا إلى جنب مع الاتصالات في الرسم البياني ، باستخدام شبكة GNN لتشكيل تمثيلات جديدة تُعرف باسم تضمين العقد. يمكننا أيضًا استكمال أو استبدال الميزات الأولية الأولية بالمتجهات من جدول بحث التضمين الذي يمكن تعلمه أثناء عملية التدريب. من الناحية المثالية ، يجب أن تمثل الميزات المضمنة لـ Henry و Bill اهتماماتهم بالإضافة إلى معلوماتهم الطوبولوجية من الرسم البياني.
كيف تعمل GNNs
يحول GNN ميزات العقدة الأولية إلى عمليات دمج العقدة باستخدام تقنية تسمى تمرير الرسالة. يوضح الشكل التالي عملية تمرير الرسائل. في البداية ، يتم تحويل سمات أو ميزات العقدة إلى سمات عددية. في حالتنا ، نقوم بتشفير واحد ساخن للسمات الفئوية (اهتمامات هنري: الفنون ، الرسوم الهزلية ، الألعاب). بعد ذلك ، تجمع الطبقة الأولى من GNN جميع الميزات الأولية للجيران (Gary و Alistair) (باللون الأسود) لتشكيل مجموعة جديدة من الميزات (باللون الأصفر). النهج الشائع هو التحويل الخطي لجميع الميزات المجاورة ، ثم تجميعها من خلال مجموع طبيعي ، وتمرير النتائج إلى وظيفة تنشيط غير خطية ، مثل ReLU ، لإنشاء مجموعة متجه جديدة. يوضح الشكل التالي كيفية عمل تمرير الرسائل للعقدة هنري. H ، خوارزمية تمرير رسالة GNN ، ستحسب التمثيلات لجميع عقد الرسم البياني. يتم استخدام هذه لاحقًا كميزات إدخال للطبقة الثانية.
تكرر الطبقة الثانية من GNN نفس العملية. يأخذ الميزة المحسوبة مسبقًا (باللون الأصفر) من الطبقة الأولى كمدخلات ، ويجمع كل الميزات المضمنة الجديدة لجيران Gary و Alistair ، ويولد متجهات ميزات الطبقة الثانية لهنري (باللون البرتقالي). كما ترى ، من خلال تكرار آلية تمرير الرسائل ، قمنا بتوسيع تجميع الميزات إلى جيران من قفزة. في الرسم التوضيحي الخاص بنا ، نقصر أنفسنا على جيران من مرحلتين ، لكن التوسع إلى جيران من 2 قفزات يمكن أن يتم بالطريقة نفسها عن طريق إضافة طبقة GNN أخرى.
يتم استخدام حفلات الزفاف النهائية من Henry و Bill (باللون البرتقالي) لحساب النتيجة. أثناء عملية التدريب ، يتم تحديد درجة الارتباط على أنها 1 عند وجود الحافة بين العقدتين (عينة موجبة) ، و 0 عندما لا توجد الحواف بين العقدتين (عينة سلبية). ثم الخطأ أو الخسارة بين النتيجة الفعلية والتنبؤ f(e1,e2)
يتم نشره بشكل عكسي في الطبقات السابقة لضبط الأوزان. بمجرد الانتهاء من التدريب ، يمكننا الاعتماد على متجهات الميزات المضمنة لكل عقدة لحساب درجات الارتباط الخاصة بهم باستخدام وظيفتنا f
.
في هذا المثال ، قمنا بتبسيط مهمة التعلم على ملف رسم بياني متجانس، حيث تكون جميع العقد والحواف من نفس النوع. على سبيل المثال ، جميع العقد في الرسم البياني هي من النوع "People" ، وجميع الحواف من النوع "friends with". ومع ذلك ، تدعم خوارزمية التعلم أيضًا الرسوم البيانية غير المتجانسة بأنواع مختلفة من العقدة والحواف. يمكننا تمديد حالة الاستخدام السابقة للتوصية بمنتجات لمستخدمين مختلفين يتشاركون تفاعلات واهتمامات مماثلة. شاهد المزيد من التفاصيل في ورقة البحث هذه: نمذجة البيانات العلائقية مع الشبكات التلافيفية للرسم البياني.
في AWS re: Invent 2020 ، قدمنا أمازون نبتون ML، مما يتيح لعملائنا تدريب نماذج ML على بيانات الرسم البياني ، دون الحاجة بالضرورة إلى خبرة عميقة في تعلم الآلة. في هذا المثال ، بمساعدة Neptune ML ، سنوضح لك كيفية بناء نظام التوصية الخاص بك على بيانات الرسم البياني.
تدريب شبكة تحويل الرسم البياني الخاصة بك مع Amazon Neptune ML
يستخدم Neptune ML تقنية الشبكة العصبية للرسم البياني لإنشاء نماذج ML وتدريبها ونشرها تلقائيًا على بيانات الرسم البياني. يدعم Neptune ML مهام التنبؤ بالرسم البياني الشائعة ، مثل تصنيف العقدة والانحدار ، وتصنيف الحافة والانحدار ، وتنبؤ الارتباط.
يتم تشغيله بواسطة:
- أمازون نبتون: قاعدة بيانات رسوم بيانية سريعة وموثوقة ومدارة بالكامل ، تم تحسينها لتخزين مليارات العلاقات والاستعلام عن الرسم البياني بزمن انتقال ميلي ثانية. يدعم Amazon Neptune ثلاثة معايير مفتوحة لإنشاء تطبيقات الرسم البياني: Apache TinkerPop Gremlin و RDF SPARQL و openCypher. تعلم اكثر من خلال نظرة عامة على ميزات Amazon Neptune.
- الأمازون SageMaker: خدمة مُدارة بالكامل توفر لكل مطور وعالم بيانات القدرة على إعداد نماذج تعلم الآلة وتدريبها ونشرها بسرعة.
- مكتبة الرسم البياني العميق (DGL): المصدر المفتوححزمة Python عالية الأداء وقابلة للتطوير لـ DL على الرسوم البيانية. يوفر أساسيات تمرير رسائل سريعة وفعالة للذاكرة لتدريب الشبكات العصبية للرسم البياني. يستخدم Neptune ML DGL لاختيار وتدريب أفضل نموذج ML لأعباء عملك تلقائيًا. يمكّنك هذا من عمل تنبؤات تستند إلى ML على بيانات الرسم البياني في ساعات بدلاً من أسابيع.
أسهل طريقة لبدء استخدام Neptune ML هي استخدام قالب البدء السريع في AWS CloudFormation. يقوم القالب بتثبيت جميع المكونات الضرورية ، بما في ذلك مجموعة Neptune DB ، وإعداد تكوينات الشبكة ، وأدوار IAM ، ومثيل دفتر SageMaker المرتبط مع عينات دفتر ملاحظات معبأة مسبقًا لـ Neptune ML.
يوضح الشكل التالي خطوات مختلفة لـ Neptune ML لتدريب نظام توصية قائم على GNN. دعنا نكبر كل خطوة ونستكشف ما تتضمنه:
-
تكوين تصدير البيانات
تتمثل الخطوة الأولى في عملية Neptune ML في تصدير بيانات الرسم البياني من مجموعة Neptune. يجب علينا تحديد المعلمات وتكوين النموذج لمهمة تصدير البيانات. نستخدم طاولة عمل Neptune لجميع التكوينات والإطراءات. تتيح لنا طاولة العمل العمل مع مجموعة Neptune DB باستخدام دفاتر Jupyter التي تستضيفها Amazon SageMaker. بالإضافة إلى ذلك ، فإنه يوفر عددًا من الأوامر السحرية في أجهزة الكمبيوتر المحمولة التي توفر قدرًا كبيرًا من الوقت والجهد. فيما يلي مثالنا على معلمات التصدير:
In export_params
، يجب علينا تكوين الإعداد الأساسي ، مثل كتلة Neptune والإخراج خدمة التخزين البسيطة من أمازون (S3) مسار لتخزين البيانات المصدرة. التكوين المحدد في additionalParams
هو نوع مهمة ML لأداء. في هذا المثال ، يتم استخدام توقع الارتباط اختياريًا للتنبؤ بنوع حافة معين (مستخدم - صديق - مستخدم). إذا لم يتم تحديد نوع الهدف ، فسيفترض Neptune ML أن المهمة هي توقع الارتباط. تحدد المعلمات أيضًا تفاصيل حول البيانات المخزنة في الرسم البياني الخاص بنا وكيف سيفسر نموذج ML تلك البيانات (لدينا "المستخدم" كعقدة ، و "الاهتمامات" كخاصية عقدة).
لتشغيل كل خطوة في عملية بناء ML ، ما عليك سوى استخدام أوامر منضدة Neptune. ال منضدة نبتون يحتوي على سحر الخط وسحر الخلية الذي يمكن أن يوفر لك الكثير من الوقت في إدارة هذه الخطوات. لتشغيل تصدير البيانات ، استخدم أمر Neptune workbench: %neptune_ml export start
بمجرد اكتمال مهمة التصدير ، سيكون لدينا مخطط Neptune يتم تصديره إلى تنسيق CSV وتخزينه في حاوية S3. سيكون هناك نوعان من الملفات: nodes.csv
و edges.csv
. ملف اسمه training-data-configuration.json
سيتم إنشاؤه أيضًا والذي يحتوي على التكوين المطلوب لـ Neptune ML لأداء تدريب النموذج.
يرى تصدير البيانات من Neptune لـ Neptune ML للمزيد من المعلومات.
-
معالجة البيانات
يقوم Neptune ML بإجراء استخراج الميزات والتشفير كجزء من خطوات معالجة البيانات. تشمل الأنواع الشائعة للمعالجة المسبقة للخاصية: ترميز الميزات الفئوية من خلال ترميز واحد ساخن ، أو تجميع الميزات الرقمية ، أو استخدام word2vec لتشفير خاصية سلسلة أو قيم خصائص نصية حرة أخرى.
في مثالنا ، سوف نستخدم خاصية "الاهتمامات". يقوم Neptune ML بترميز القيم على أنها متعددة الفئات. ومع ذلك ، إذا كانت القيمة الفئوية معقدة (أكثر من ثلاث كلمات لكل عقدة) ، فإن Neptune ML يستنتج نوع الخاصية ليكون نصًا ويستخدم ترميز text_word2vec.
لتشغيل المعالجة المسبقة للبيانات ، استخدم الأمر السحري التالي لدفتر Neptune: %neptune_ml dataprocessing start
في نهاية هذه الخطوة ، يتم إنشاء رسم بياني DGL من مجموعة البيانات المصدرة لاستخدامها في خطوة التدريب النموذجية. يقوم Neptune ML تلقائيًا بضبط النموذج بوظائف Hyperparameter Optimization Tuning المحددة في training-data-configuration.json
. يمكننا تنزيل هذا الملف وتعديله لضبط المعلمات الفائقة للنموذج ، مثل حجم الدُفعة ، العدد المخفي ، عدد العهود ، التسرب ، إلخ. نموذج ملف config.json.
يرى معالجة بيانات الرسم البياني المصدرة من نبتون للتدريب للمزيد من المعلومات.
-
تدريب نموذجي
الخطوة التالية هي التدريب الآلي لنموذج GNN. يتم تدريب النموذج على مرحلتين. تستخدم المرحلة الأولى وظيفة معالجة SageMaker لإنشاء استراتيجية تدريب نموذجية. هذه مجموعة تكوين تحدد نوع النموذج ونطاقات معلمات التشعب النموذجية التي سيتم استخدامها لتدريب النموذج.
بعد ذلك ، سيتم إطلاق وظيفة ضبط المعلمة الفائقة من SageMaker. ال وظيفة SageMaker Hyperparameter Tuning Optimization يدير عددًا محددًا مسبقًا من التجارب الوظيفية النموذجية على البيانات المعالجة ، ويحاول مجموعات مختلفة من المعلمات الفائقة وفقًا لـ model-hpo-configuration.json
ملف ، ويخزن عناصر النموذج التي تم إنشاؤها بواسطة التدريب في موقع الإخراج Amazon S3.
لبدء خطوة التدريب ، يمكنك استخدام ملف %neptune_ml training start
أمر.
بمجرد اكتمال جميع وظائف التدريب ، ستحفظ وظيفة ضبط Hyperparameter القطع الأثرية من النموذج الأفضل أداءً ، والذي سيتم استخدامه للاستدلال.
في نهاية التدريب ، سيوجه Neptune ML تعليمات إلى SageMaker لحفظ النموذج المدرب ، والزخارف الأولية المحسوبة للعقد والحواف ، ومعلومات الخرائط بين الزخارف ومؤشرات العقد.
يرى تدريب نموذج باستخدام Neptune ML للمزيد من المعلومات.
-
قم بإنشاء نقطة نهاية للاستدلال في Amazon SageMaker
الآن بعد أن تم التعرف على تمثيل الرسم البياني ، يمكننا نشر النموذج الذي تم تعلمه خلف نقطة نهاية لتنفيذ طلبات الاستدلال. سيكون إدخال النموذج هو المستخدم الذي نحتاج إلى إنشاء توصيات الأصدقاء له ، جنبًا إلى جنب مع نوع الحافة ، وستكون المخرجات هي قائمة الأصدقاء الموصى بهم لهذا المستخدم.
لنشر النموذج في مثيل نقطة نهاية SageMaker ، استخدم ملحق %neptune_ml endpoint create
أمر.
-
استعلم عن نموذج ML باستخدام Gremlin
بمجرد أن تصبح نقطة النهاية جاهزة ، يمكننا استخدامها لاستعلامات الاستدلال على الرسم البياني. يدعم Neptune ML استعلامات استنتاج الرسم البياني في Gremlin أو SPARQL. في مثالنا ، يمكننا الآن التحقق من توصية الأصدقاء باستخدام Neptune ML على المستخدم "Henry". يتطلب نفس بناء الجملة تقريبًا لاجتياز الحافة ، ويسرد المستخدمين الآخرين المتصلين بـ Henry من خلال اتصال FRIEND.
Neptune#ml.prediction
إرجاع الاتصال الذي تحدده تنبؤات Neptune ML باستخدام النموذج الذي قمنا بتدريبه للتو على الرسم البياني الاجتماعي. عاد بيل مثل توقعاتنا.
في ما يلي نموذج استعلام آخر للتنبؤ يتم استخدامه للتنبؤ بالمستخدمين الثمانية الأوائل الذين من المرجح أن يتواصلوا مع Henry:
النتائج مرتبة من اتصال أقوى إلى أضعف ، حيث الارتباط Henry — FRIEND — Colin and Henry — FRIEND — Terry
مقترح أيضا. هذا الاقتراح من خلال ML القائم على الرسم البياني حيث يمكن استكشاف أنماط التفاعل المعقدة على الرسم البياني.
يرى استفسارات استدلال Gremlin في Neptune ML للمزيد من المعلومات.
تحويل النموذج أو إعادة التدريب عندما تتغير بيانات الرسم البياني
سؤال آخر قد تطرحه هو: ماذا لو تغيرت شبكتي الاجتماعية ، أو إذا كنت أرغب في تقديم توصيات للمستخدمين المضافين حديثًا؟ في هذه السيناريوهات ، حيث يكون لديك رسوم بيانية متغيرة باستمرار ، قد تحتاج إلى تحديث تنبؤات ML بأحدث بيانات الرسم البياني. يتم ربط القطع الأثرية للنموذج الذي تم إنشاؤه بعد التدريب مباشرة بالرسم البياني للتدريب. هذا يعني أنه يجب تحديث نقطة نهاية الاستنتاج بمجرد تغيير الكيانات في الرسم البياني للتدريب الأصلي.
ومع ذلك ، لا تحتاج إلى إعادة تدريب النموذج بأكمله لعمل تنبؤات على الرسم البياني المحدث. باستخدام سير عمل الاستدلال النموذجي التزايدي ، ما عليك سوى تصدير بيانات Neptune DB ، وإجراء معالجة مسبقة للبيانات الإضافية ، وتشغيل مهمة تحويل دفعة نموذج ، ثم تحديث نقطة نهاية الاستنتاج. تأخذ خطوة تحويل النموذج النموذج المدرب من سير العمل الرئيسي ونتائج خطوة المعالجة المسبقة للبيانات الإضافية كمدخلات. ثم تقوم بإخراج أداة نموذجية جديدة لاستخدامها في الاستدلال. يتم إنشاء هذا النموذج الجديد من بيانات الرسم البياني الحديثة.
أحد نقاط التركيز الخاصة هنا هو أمر خطوة تحويل النموذج. يمكنه حساب النتائج الأثرية للنموذج على بيانات الرسم البياني التي لم يتم استخدامها لتدريب النموذج. يتم إعادة حساب حفلات الزفاف في العقدة ويتم تجاوز أي حفلات زفاف موجودة. يطبق Neptune ML مشفر GNN المكتسب من النموذج المدرَّب السابق على عقد بيانات الرسم البياني الجديدة بميزاتها الجديدة. لذلك ، يجب معالجة بيانات الرسم البياني الجديدة باستخدام نفس ترميزات الميزات ، ويجب أن تلتزم بنفس مخطط الرسم البياني مثل بيانات الرسم البياني الأصلية. شاهد المزيد من تفاصيل تنفيذ Neptune ML على إنشاء نماذج جديدة من القطع الأثرية.
علاوة على ذلك ، يمكنك إعادة تدريب النموذج بأكمله إذا تغير الرسم البياني بشكل كبير ، أو إذا لم يعد النموذج الذي تم تدريبه مسبقًا يمثل بدقة التفاعلات الأساسية. في هذه الحالة ، لا يمكن أن تضمن إعادة استخدام معلمات النموذج التي تم تعلمها على رسم بياني جديد أداء نموذج مماثل. يجب إعادة تدريب النموذج الخاص بك على الرسم البياني الجديد. لتسريع البحث عن المعلمات الفائقة ، يمكن لـ Neptune ML الاستفادة من المعلومات من مهمة التدريب النموذجية السابقة مع البداية الدافئة: تُستخدم نتائج وظائف التدريب السابقة لتحديد مجموعات جيدة من المعلمات الفائقة للبحث في وظيفة الضبط الجديدة.
يرى سير العمل للتعامل مع بيانات الرسم البياني المتطورة لمزيد من التفاصيل.
وفي الختام
في هذا المنشور ، رأيت كيف يمكن لـ Neptune ML و GNNs مساعدتك في تقديم توصيات بشأن بيانات الرسم البياني باستخدام مهمة توقع الارتباط من خلال دمج المعلومات من أنماط التفاعل المعقدة في الرسم البياني.
التنبؤ بالارتباط هو أحد طرق تنفيذ نظام التوصية على الرسم البياني. يمكنك بناء التوصية الخاصة بك بعدة طرق أخرى. يمكنك استخدام عمليات التضمين التي تم تعلمها أثناء التدريب على التنبؤ بالرابط لتجميع العقد في مقاطع مختلفة بطريقة غير خاضعة للإشراف ، والتوصية بالعناصر إلى العنصر الذي ينتمي إلى نفس المقطع. علاوة على ذلك ، يمكنك الحصول على حفلات الزفاف وإطعامها في نظام توصية قائم على التشابه في المصب كميزة إدخال. الآن تعمل ميزة الإدخال الإضافية هذه أيضًا على ترميز المعلومات الدلالية المشتقة من الرسم البياني ويمكن أن توفر تحسينات كبيرة على الدقة الكلية للنظام. تعرف على المزيد حول Amazon Neptune ML من خلال زيارة موقع موقع الكتروني أو لا تتردد في طرح الأسئلة في التعليقات!
حول المؤلف
يانوي كوي، دكتوراه ، مهندس حلول متخصص في التعلم الآلي في AWS. بدأ أبحاث التعلم الآلي في IRISA (معهد أبحاث علوم الكمبيوتر والأنظمة العشوائية) ، ولديه عدة سنوات من الخبرة في بناء تطبيقات صناعية مدعومة بالذكاء الاصطناعي في رؤية الكمبيوتر ومعالجة اللغة الطبيعية والتنبؤ بسلوك المستخدم عبر الإنترنت. في AWS ، يشارك خبرة المجال ويساعد العملاء على إطلاق العنان لإمكانات الأعمال ، وتحقيق نتائج قابلة للتنفيذ من خلال التعلم الآلي على نطاق واسع. خارج العمل ، يستمتع بالقراءة والسفر.
ويل بدر هو اختصاصي رئيسي في الذكاء الاصطناعي / تعلم الآلة SA يعمل كجزء من فريق التعلم الآلي العالمي في أمازون. ويل متحمس لاستخدام التكنولوجيا بطرق مبتكرة للتأثير بشكل إيجابي على المجتمع. في أوقات فراغه ، يحب الغوص ولعب كرة القدم واستكشاف جزر المحيط الهادئ.
- '
- "
- 100
- 2020
- 7
- من نحن
- وفقا
- حسابي
- إضافة
- إضافي
- خوارزمية
- خوارزميات
- الكل
- سابقا
- أمازون
- آلة التعلم الأمازون
- الأمازون SageMaker
- أباتشي
- التطبيقات
- مصطنع
- الذكاء الاصطناعي
- فنون
- الآلي
- AWS
- AWS إعادة: اختراع
- البداية
- أفضل
- مشروع قانون
- مليار
- اسود
- نساعدك في بناء
- ابني
- الأعمال
- الحالات
- التحديات
- تصنيف
- الكود
- مشترك
- مجتمع
- مجمع
- إحصاء
- علوم الكمبيوتر
- رؤية الكمبيوتر
- الحوسبة
- الاعداد
- صلة
- التواصل
- كنسولات
- محتوى
- CONVERGES
- استطاع
- العملاء
- البيانات
- عالم البيانات
- تخزين البيانات
- قاعدة البيانات
- صفقة
- التعلم العميق
- المطور
- مختلف
- اكتشاف
- مسافة
- التجارة الإلكترونية
- حافة
- نقطة النهاية
- الهندسة
- المهندسين
- إلخ
- مثال
- الخبره في مجال الغطس
- استكشاف
- تصدير
- استخلاص
- FAST
- الميزات
- المميزات
- الشكل
- الاسم الأول
- تركز
- النموذج المرفق
- شكل
- الإطار
- مجانًا
- الصداقة
- وظيفة
- ألعاب
- توليد
- العالمية
- خير
- رسم بياني للشبكات العصبية
- عظيم
- معالجة
- مساعدة
- يساعد
- هنا
- كيفية
- كيفية
- HTTPS
- IAM
- التأثير
- تحقيق
- تحسين
- بما فيه
- القيمة الاسمية
- فرد
- صناعي
- معلومات
- مبتكرة
- رؤيتنا
- تفاعل
- السريرية
- IT
- وظيفة
- المشــاريــع
- لغة
- اللغات
- تعلم
- تعلم
- تعلم
- الرافعة المالية
- المكتبة
- خط
- LINK
- قائمة
- قوائم
- موقع
- أبحث
- بحث
- آلة التعلم
- الأعضاء
- ميلي ثانية واحدة
- ML
- نموذج
- موسيقى
- اللغة الطبيعية
- معالجة اللغات الطبيعية
- بحاجة
- الجيران
- شبكة
- الشبكات
- عصبي
- الشبكة العصبية
- الشبكات العصبية
- مزايا جديدة
- العقد
- أجهزة الكمبيوتر المحمولة
- online
- جاكيت
- أخرى
- سلمي
- ورق
- مجتمع
- أداء
- مرحلة جديدة
- منصات التداول
- بلايستشن
- دقة
- تنبؤ
- تنبؤات
- يقدم
- رئيسي
- المشكلة
- عملية المعالجة
- المنتجات
- ملفي الشخصي
- تعزيز
- الملكية
- اقترح
- تزود
- ويوفر
- شراء
- بايثون
- سؤال
- نطاق
- الخام
- مسودة بيانات
- RE
- نادي القراءة
- تراجع
- العلاقات
- يحل محل
- بحث
- النتائج
- إعادة التدريب
- عائدات
- يجري
- sagemaker
- حجم
- علوم
- بحث
- طقم
- مشاركة
- مشاركة
- مماثل
- الاشارات
- صغير
- كرة القدم
- العدالة
- الرسم البياني الاجتماعي
- الشبكة الاجتماعية
- الشبكات الاجتماعية
- الحلول
- الفضاء
- رياضة
- المسرح
- المعايير
- بداية
- بدأت
- تخزين
- فروعنا
- الإستراتيجيات
- ملحق
- الدعم
- الدراسة الاستقصائية
- نظام
- أنظمة
- الهدف
- التكنولوجيا
- تكنولوجيا
- الرسم البياني
- عبر
- الوقت
- تيشرت
- قادة الإيمان
- تحول
- تحول
- تحديث
- us
- المستخدمين
- قيمنا
- رؤيتنا
- ابحث عن
- من الذى
- على نحو واسع
- ويكيبيديا
- بدون
- كلمات
- للعمل
- سير العمل
- أعمال
- سوف
- سنوات
- زوم