Suositusjärjestelmät ovat yksi laajimmin käytetyistä koneoppimistekniikoista (ML) reaalimaailman sovelluksissa sosiaalisista verkostoista verkkokauppaalustoihin. Monien verkkojärjestelmien käyttäjät luottavat suositusjärjestelmiin solmiessaan uusia ystävyyssuhteita, löytäessään uutta musiikkia ehdotettujen musiikkiluetteloiden mukaan tai jopa tehdäkseen verkkokaupan ostopäätöksiä suositeltujen tuotteiden perusteella. Sosiaalisissa verkostoissa yksi yleinen käyttötapa on suositella käyttäjälle uusia ystäviä käyttäjien muiden yhteyksien perusteella. Käyttäjät, joilla on yhteisiä ystäviä, tuntevat todennäköisesti toisensa. Siksi heillä pitäisi olla korkeampi pistemäärä suositusjärjestelmän ehdottamista varten, jos niitä ei ole vielä yhdistetty.
Sosiaaliset verkostot voidaan luonnollisesti ilmaista graafina, jossa solmut edustavat ihmisiä ja ihmisten välisiä yhteyksiä, kuten ystävyyttä tai työtovereita, edustavat reunat. Seuraavassa havainnollistetaan yksi tällainen sosiaalinen verkosto. Kuvitellaan, että meillä on sosiaalinen verkosto jäsenten (solmujen) Bill, Terry, Henry, Gary ja Alistair kanssa. Heidän suhteitaan edustaa linkki (reuna), ja jokaisen henkilön kiinnostuksen kohteet, kuten urheilu, taiteet, pelit ja sarjakuvat, esitetään solmuominaisuuksilla.
Tavoitteena on ennustaa, onko jäsenten välillä mahdollisesti puuttuva linkki. Pitäisikö meidän esimerkiksi suositella yhteyttä Henryn ja Terryn välille? Tarkasteltaessa kaaviota voimme nähdä, että heillä on kaksi yhteistä ystävää, Gary ja Alistair. Siksi on hyvä mahdollisuus, että Henry ja Terry joko tunsivat toisensa jo tai saattavat tutustua toisiinsa pian. Entä Henry ja Bill? Heillä ei ole yhteisiä ystäviä, mutta heillä on heikko yhteys ystäviensä yhteyksien kautta. Lisäksi heillä molemmilla on samanlaiset kiinnostuksen kohteet taiteessa, sarjakuvissa ja peleissä. Pitäisikö meidän edistää tätä yhteyttä? Kaikki nämä kysymykset ja intuitiot ovat sosiaalisten verkostojen suositusjärjestelmien ydinlogiikka.
Yksi mahdollinen tapa tehdä tämä on kaavioiden tutkimiseen perustuvien suhteiden suositteleminen. Kaavion kyselykielissä, kuten Apache TinkerPop Gremlin, sääntöjoukkojen, kuten yhteisten ystävien laskemisen, toteuttaminen on suhteellisen helppoa, ja sen avulla voidaan määrittää Henryn ja Terryn välinen yhteys. Nämä sääntöjoukot ovat kuitenkin erittäin monimutkaisia, kun haluamme ottaa huomioon muut attribuutit, kuten solmun ominaisuudet, yhteyden vahvuus jne. Kuvittelemme sääntöjoukkoa, joka määrittää Henryn ja Billin välisen yhteyden. Tämän sääntöjoukon on otettava huomioon heidän yhteiset intressinsä ja heikkoutensa kaavion tiettyjen polkujen kautta. Vahvuuden lisäämiseksi saatamme joutua myös lisäämään etäisyystekijän suosimaan vahvoja yhteyksiä ja rankaisemaan heikkoja. Samoin haluaisimme yhteisiä etuja suosivan tekijän. Pian sääntöjoukkoja, jotka voivat paljastaa monimutkaisia piilotettuja kuvioita, tulee mahdottomaksi luetella.
ML-teknologian avulla voimme löytää piilotettuja malleja oppimisalgoritmeilla. Yksi esimerkki on XGBoost, jota käytetään laajalti luokittelu- tai regressiotehtäviin. Algoritmit, kuten XGBoost, käyttävät kuitenkin tavanomaista ML-lähestymistapaa, joka perustuu taulukkomuotoiseen tietomuotoon. Näitä lähestymistapoja ei ole optimoitu kuvaajatietorakenteille, ja ne vaativat monimutkaista ominaisuussuunnittelua selviytyäkseen näistä tietokuvioista.
Edellisessä sosiaalisen verkoston esimerkissä kaavion vuorovaikutustiedot ovat tärkeitä suosituksen tarkkuuden parantamiseksi. Graph Neural Network (GNN) on syväoppimisen (DL) kehys, jota voidaan soveltaa kuvaajatietoihin reunatason, solmutason tai kaaviotason ennustetehtävien suorittamiseksi. GNN:t voivat hyödyntää yksittäisten solmujen ominaisuuksia sekä kaavion rakennetietoja oppiessaan graafin esitystä ja taustalla olevia kuvioita. Siksi GNN-pohjaiset menetelmät ovat viime vuosina asettaneet uusia standardeja monille suosittelijoille. Katso tarkemmat tiedot viimeaikaisista tutkimuksista: Kattava kysely graafisen hermoverkoista ja Graafioppimiseen perustuvat suositusjärjestelmät: Katsaus.
Seuraavassa on yksi kuuluisa esimerkki tällaisesta käyttötapauksesta. Pinterestin tutkijat ja insinöörit ovat kouluttaneet Piirrä konvoluutiohermoverkot verkkomittakaavaisille suositusjärjestelmillePinSage, jossa on kolme miljardia solmua, jotka edustavat nastoja ja levyjä, ja 18 miljardia reunaa. PinSage luo korkealaatuisia upotuksia, jotka edustavat nastat (visuaaliset kirjanmerkit verkkosisältöön). Niitä voidaan käyttää monenlaisiin myöhempään suositustehtäviin, kuten lähimpien naapurihakujen suorittamiseen opitussa upotustilassa sisällön löytämistä ja suosituksia varten.
Tässä viestissä opastamme sinua käyttämään GNN:itä suositusten käyttötapauksissa lähettämällä tämän linkin ennustusongelmaksi. Havainnollistamme myös, kuinka Neptune ML voi helpottaa käyttöönottoa. Tarjoamme myös esimerkkikoodi GitHubissa kouluttaaksesi ensimmäistä GNN:täsi Neptune ML:llä ja tehdä suosituspäätelmiä demografista linkkien ennustetehtävien avulla.
Linkitä ennuste Graph Neural Networks -verkkoihin
Ottaen huomioon edellisen sosiaalisen verkoston esimerkin, haluaisimme suositella uusia ystäviä Henrylle. Sekä Terry että Bill olisivat hyviä ehdokkaita. Terryllä on enemmän yhteisiä ystäviä (Gary, Alistair) Henryn kanssa, mutta ei yhteisiä kiinnostuksen kohteita. Billillä on yhteisiä kiinnostuksen kohteita (taidetta, sarjakuvia, pelejä) Henryn kanssa, mutta ei yhteisiä ystäviä. Kumpi olisi parempi suositus? Kun kehystetään linkin ennustusongelmaksi, tehtävänä on antaa pisteet mille tahansa mahdolliselle linkille kahden solmun välillä. Mitä korkeampi linkkipiste on, sitä todennäköisemmin tämä suositus lähentyy. Oppimalla kaaviossa jo olevat linkkirakenteet linkin ennustemalli voi yleistää uusia linkkiennusteita, jotka täydentävät kaavion.
Toiminnon parametrit f
joka ennustaa linkin pistemäärän opitaan harjoitusvaiheessa. Toiminnosta lähtien f
tekee ennusteen kahdelle kaavion solmulle, solmuihin liittyvät piirrevektorit ovat välttämättömiä oppimisprosessille. Henryn ja Billin välisen linkin pistemäärän ennustamiseksi meillä on joukko raakadataominaisuuksia (taidetta, sarjakuvia, pelejä), jotka voivat edustaa Henryä ja Billiä. Muunnamme tämän yhdessä kaavion yhteyksien kanssa käyttämällä GNN-verkkoa muodostaaksemme uusia esityksiä, jotka tunnetaan solmuupotuksina. Voimme myös täydentää tai korvata alkuperäiset raakaominaisuudet vektoreilla upotushakutaulukosta, jotka voidaan oppia harjoittelun aikana. Ihannetapauksessa Henryn ja Billin sulautettujen ominaisuuksien tulisi edustaa heidän etujaan sekä topologisia tietoja kaaviosta.
Miten GNN:t toimivat
GNN muuntaa alkuperäiset solmun ominaisuudet solmuupotuksiksi käyttämällä tekniikkaa nimeltä viesti kulkee. Viestin välitysprosessi on havainnollistettu seuraavassa kuvassa. Alussa solmun attribuutit tai ominaisuudet muunnetaan numeerisiksi attribuuteiksi. Meidän tapauksessamme teemme kategoristen ominaisuuksien (Henryn kiinnostuksen kohteet: taiteet, sarjakuvat, pelit) yhden kuuman koodauksen. Sitten GNN:n ensimmäinen kerros aggregoi kaikki naapureiden (Gary ja Alistair) raakaominaisuudet (musta) muodostaen uuden joukon ominaisuuksia (keltaisella). Yleinen lähestymistapa on kaikkien vierekkäisten ominaisuuksien lineaarinen muunnos, aggregoida ne sitten normalisoidulla summalla ja siirtää tulokset epälineaariseen aktivointifunktioon, kuten ReLU, uuden vektorijoukon luomiseksi. Seuraava kuva havainnollistaa, kuinka viestin välitys toimii solmussa Henri. H, GNN-sanoman välitysalgoritmi, laskee esitykset kaikille graafin solmuille. Näitä käytetään myöhemmin toisen kerroksen syöttöominaisuuksina.
GNN:n toinen kerros toistaa saman prosessin. Se ottaa syötteeksi aiemmin lasketun ominaisuuden (keltaisena) ensimmäisestä tasosta, kokoaa kaikki Garyn ja Alistairin naapureiden uudet upotetut ominaisuudet ja luo toisen kerroksen piirrevektorit Henrylle (oranssina). Kuten näet, toistamalla viestin välitysmekanismia laajensimme ominaisuuksien yhdistämisen 2-hop-naapureihin. Kuvassamme rajoitamme 2-hop-naapureihin, mutta laajentaminen 3-hop-naapureihin voidaan tehdä samalla tavalla lisäämällä toinen GNN-kerros.
Henryn ja Billin lopullisia upotuksia (oranssina) käytetään pisteiden laskemiseen. Harjoitusprosessin aikana linkkipistemääräksi määritetään 1, kun kahden solmun välinen reuna on olemassa (positiivinen näyte), ja 0, kun kahden solmun välisiä reunoja ei ole (negatiivinen näyte). Sitten virhe tai tappio todellisen tuloksen ja ennusteen välillä f(e1,e2)
siirretään takaisin aikaisempiin kerroksiin painojen säätämiseksi. Kun koulutus on valmis, voimme luottaa kunkin solmun upotettuihin ominaisuusvektoreihin laskeaksemme niiden linkkipisteet funktiollamme f
.
Tässä esimerkissä yksinkertaistimme oppimistehtävää a homogeeninen graafi, jossa kaikki solmut ja reunat ovat samaa tyyppiä. Esimerkiksi kaikki kaavion solmut ovat "Ihmiset"-tyyppiä ja kaikki reunat ovat "ystävät"-tyyppiä. Oppimisalgoritmi tukee kuitenkin myös heterogeenisiä graafisia eri solmu- ja reunatyyppejä. Voimme laajentaa aiempaa käyttötapausta suosittelemaan tuotteita eri käyttäjille, joilla on samanlainen vuorovaikutus ja kiinnostuksen kohteet. Katso lisätietoja tästä tutkimuspaperista: Relaatiotietojen mallintaminen graafisilla konvoluutioverkoilla.
Esittelimme AWS re:Invent 2020:ssa Amazon Neptune ML, jonka avulla asiakkaamme voivat kouluttaa ML-malleja graafitiedoilla ilman, että heillä olisi välttämättä syvällistä ML-asiantuntemusta. Tässä esimerkissä Neptune ML:n avulla näytämme sinulle, kuinka voit rakentaa oman suositusjärjestelmän graafidatan pohjalta.
Harjoittele Graph Convolution Network -verkostoasi Amazon Neptune ML:n avulla
Neptune ML käyttää graafisen hermoverkkoteknologiaa ML-mallien automaattiseen luomiseen, kouluttamiseen ja käyttöön ottamiseksi graafitietoihisi. Neptune ML tukee yleisiä kuvaajien ennustetehtäviä, kuten solmujen luokittelua ja regressiota, reunaluokitusta ja regressiota sekä linkkien ennustamista.
Se saa virtansa:
- Amazonin Neptuuni: nopea, luotettava ja täysin hallittu kaaviotietokanta, joka on optimoitu tallentamaan miljardeja suhteita ja tekemään graafista kyselyjä millisekunnin viiveellä. Amazon Neptune tukee kolmea avointa standardia graafisovelluksien rakentamiseen: Apache TinkerPop Gremlin, RDF SPARQL ja openCypher. Lisätietoja osoitteessa Yleiskatsaus Amazon Neptunen ominaisuuksista.
- Amazon Sage Maker: täysin hallittu palvelu, joka tarjoaa jokaiselle kehittäjälle ja datatieteilijälle mahdollisuuden valmistella rakentaa, kouluttaa ja ottaa käyttöön ML-malleja nopeasti.
- Syvän kuvaajan kirjasto (DGL): an avoimen lähdekoodin, korkean suorituskyvyn ja skaalautuva Python-paketti DL:lle kaavioissa. Se tarjoaa nopeat ja muistitehokkaat viestinvälitysprimitiivit Graph Neural Networks -opetukseen. Neptune ML käyttää DGL:ää valitakseen ja kouluttaakseen automaattisesti parhaan ML-mallin työkuormituksellesi. Näin voit tehdä ML-pohjaisia ennusteita kaaviotiedoista tunneissa viikkojen sijaan.
Helpoin tapa aloittaa Neptune ML:n käyttö on käyttää AWS CloudFormation -pika-aloitusmalli. Malli asentaa kaikki tarvittavat komponentit, mukaan lukien Neptune DB -klusterin, ja määrittää verkkomääritykset, IAM-roolit ja niihin liittyvät SageMaker-muistikirjan ilmentymät esitäytetyillä muistikirjanäytteillä Neptune ML:ää varten.
Seuraava kuva havainnollistaa erilaisia vaiheita, joissa Neptune ML kouluttaa GNN-pohjaista suositusjärjestelmää. Lähennä jokaista vaihetta ja tutkitaan, mitä se sisältää:
-
Tietojen vientimääritykset
Ensimmäinen vaihe Neptune ML -prosessissamme on viedä kaaviotiedot Neptune-klusterista. Meidän on määritettävä parametrit ja mallin konfiguraatio tietojen vientitehtävää varten. Käytämme Neptune-työpöytää kaikissa kokoonpanoissa ja suosituksissa. Työpöydän avulla voimme työskennellä Neptune DB -klusterin kanssa käyttämällä Amazon SageMakerin isännöimiä Jupyter-kannettavia. Lisäksi se tarjoaa useita taikakomentoja muistikirjoihin, jotka säästävät paljon aikaa ja vaivaa. Tässä on esimerkki vientiparametreista:
In export_params
, meidän on määritettävä perusasetukset, kuten Neptune-klusteri ja lähtö Amazon Simple Storage Service (S3) polku vietylle datalle. Kohdassa määritetty kokoonpano additionalParams
on suoritettavan ML-tehtävän tyyppi. Tässä esimerkissä linkin ennakointia käytetään valinnaisesti tietyn reunatyypin ennustamiseen (Käyttäjä—YSTÄVÄ—Käyttäjä). Jos kohdetyyppiä ei ole määritetty, Neptune ML olettaa, että tehtävä on Link Prediction. Parametrit määrittävät myös yksityiskohtia kaavioihimme tallennetuista tiedoista ja siitä, kuinka ML-malli tulkitsee tiedot (solmun ominaisuutena on "Käyttäjä" ja solmun ominaisuutena "intressit".
Voit suorittaa jokaisen ML-rakennusprosessin vaiheen käyttämällä Neptunen työpöytäkomentoja. The Neptune työpöytä sisältää linja- ja solumagian, jotka voivat säästää paljon aikaa näiden vaiheiden hallinnassa. Suorita tietojen vienti käyttämällä Neptune-työpöytäkomentoa: %neptune_ml export start
Kun vientityö on valmis, Neptune-kaavio viedään CSV-muotoon ja tallennetaan S3-ämpäriin. Tiedostoja on kahden tyyppisiä: nodes.csv
ja edges.csv
. Tiedosto nimeltä training-data-configuration.json
luodaan myös, jolla on Neptune ML:n mallikoulutuksen suorittamiseen tarvittavat kokoonpanot.
nähdä Vie tiedot Neptunesta Neptune ML:ää varten lisätietoja.
-
Tietojen esikäsittely
Neptune ML suorittaa ominaisuuksien purkamisen ja koodauksen osana tietojenkäsittelyvaiheita. Yleisiä ominaisuuksien esikäsittelyn tyyppejä ovat: kategoristen ominaisuuksien koodaus one-hot-koodauksella, numeeristen ominaisuuksien ryhmittely tai sana2vec koodaamaan merkkijonoominaisuutta tai muita vapaamuotoisia tekstiominaisuusarvoja.
Esimerkissämme käytämme yksinkertaisesti ominaisuutta "intressit". Neptune ML koodaa arvot monikategorisiksi. Jos kategorinen arvo on kuitenkin monimutkainen (yli kolme sanaa solmua kohti), Neptune ML päättelee ominaisuuden tyypiksi tekstiä ja käyttää text_word2vec-koodausta.
Suorita tietojen esikäsittely käyttämällä seuraavaa Neptune-muistikirjan magic-komentoa: %neptune_ml dataprocessing start
Tämän vaiheen lopussa viedään tietojoukosta DGL-kaavio käytettäväksi mallin koulutusvaiheessa. Neptune ML virittää mallin automaattisesti kohdassa määritettyjen Hyperparameter Optimization Tuning -töiden avulla training-data-configuration.json
. Voimme ladata ja muokata tätä tiedostoa säätääksemme mallin hyperparametreja, kuten erän kokoa, num-hidden, num-epochs, dropout jne. Tässä on esimerkki configuration.json-tiedostosta.
nähdä Neptunuksesta vietyjen kaaviotietojen käsittely harjoittelua varten lisätietoja.
-
Malliharjoittelu
Seuraava askel on GNN-mallin automatisoitu koulutus. Mallikoulutus toteutetaan kahdessa vaiheessa. Ensimmäinen vaihe käyttää SageMaker Processing -työtä mallin koulutusstrategian luomiseen. Tämä on konfiguraatiosarja, joka määrittää, minkä tyyppistä mallia ja mallin hyperparametrialueita käytetään mallikoulutuksessa.
Sitten SageMaker-hyperparametrien viritystyö käynnistetään. The SageMaker Hyperparameter Tuning Optimization -työ suorittaa ennalta määritellyn määrän mallikoulutustyökokeita käsitellyille tiedoille, kokeilee erilaisia hyperparametriyhdistelmiä model-hpo-configuration.json
tiedosto ja tallentaa koulutuksen tuottamat malliartefaktit Amazon S3 -lähtökohtaan.
Voit aloittaa harjoitusvaiheen käyttämällä %neptune_ml training start
komento.
Kun kaikki harjoitustyöt on suoritettu, Hyperparametrin viritystyö tallentaa parhaiten suoriutuneen mallin artefaktit, joita käytetään päätelmien tekemiseen.
Koulutuksen lopussa Neptune ML ohjeistaa SageMakeria tallentamaan opetetun mallin, solmuille ja reunoille lasketut raaka upotukset sekä upotusten ja solmuindeksien väliset kartoitustiedot.
nähdä Mallin koulutus Neptune ML:llä lisätietoja.
-
Luo päätepiste Amazon SageMakerissa
Nyt kun kuvaajaesitys on opittu, voimme ottaa opitun mallin käyttöön päätepisteen takana johtopäätöspyyntöjen suorittamiseksi. Mallin syötteenä on käyttäjä, jolle meidän on luotava ystävien suosituksia, sekä reunatyyppi, ja tulos on luettelo tälle käyttäjälle todennäköisesti suositelluista ystävistä.
Voit ottaa mallin käyttöön SageMaker-päätepisteinstanssissa käyttämällä %neptune_ml endpoint create
komento.
-
Kysy ML-mallia Gremlinillä
Kun päätepiste on valmis, voimme käyttää sitä graafisen päättelyn kyselyihin. Neptune ML tukee graafien päättelykyselyitä Gremlinissä tai SPARQL:ssä. Esimerkissämme voimme nyt tarkistaa ystäväsuosituksen Neptune ML:llä käyttäjältä "Henry". Se vaatii lähes saman syntaksin kulkeakseen reunan läpi, ja se luettelee muut käyttäjät, jotka ovat yhteydessä Henryyn YSTÄVÄ-yhteyden kautta.
Neptune#ml.prediction
palauttaa Neptune ML -ennusteiden määrittämän yhteyden käyttämällä mallia, jota juuri harjoittelimme sosiaalisen graafin suhteen. Bill palautetaan, kuten odotimme.
Tässä on toinen esimerkki ennustekyselystä, jota käytetään ennustamaan kahdeksan parasta käyttäjää, jotka todennäköisimmin löytävät yhteyden Henryyn:
Tulokset luokitellaan vahvemmasta yhteydestä heikompaan, jossa linkki Henry — FRIEND — Colin and Henry — FRIEND — Terry
ehdotetaan myös. Tämä ehdotus on graafipohjaisen ML:n kautta, jossa voidaan tutkia graafin monimutkaisia vuorovaikutusmalleja.
nähdä Gremlin-päätelmäkyselyt Neptune ML:ssä lisätietoja.
Mallin muunnos tai uudelleenkoulutus, kun graafin tiedot muuttuvat
Toinen kysymys, jonka saatat kysyä, on: entä jos sosiaalinen verkostoni muuttuu tai jos haluan antaa suosituksia uusille lisätyille käyttäjille? Näissä skenaarioissa, joissa kaaviot muuttuvat jatkuvasti, saatat joutua päivittämään ML-ennusteet uusimmilla kaaviotiedoilla. Harjoittelun jälkeen luodut mallin artefaktit sidotaan suoraan harjoituskaavioon. Tämä tarkoittaa, että päättelypäätepiste on päivitettävä, kun alkuperäisen harjoituskaavion entiteetit muuttuvat.
Sinun ei kuitenkaan tarvitse kouluttaa koko mallia uudelleen tehdäksesi ennusteita päivitetystä kaaviosta. Inkrementaalisen mallin päättelytyönkulun avulla sinun tarvitsee vain viedä Neptune DB -tiedot, suorittaa tietojen inkrementaalinen esikäsittely, suorittaa mallin erämuunnostyö ja päivittää sitten päättelyn päätepiste. Mallin muunnosvaihe ottaa opetetun mallin päätyönkulusta ja inkrementaalisen datan esikäsittelyvaiheen tulokset syötteinä. Sitten se tulostaa uuden malliartefaktin, jota käytetään päätelmien tekemiseen. Tämä uusi malliartefaktti on luotu ajantasaisista kaaviotiedoista.
Yksi erityinen painopiste tässä on malli-muunnos askelkomento. Se voi laskea mallin artefakteja graafitiedoista, joita ei käytetty mallin koulutukseen. Solmun upotukset lasketaan uudelleen ja kaikki olemassa olevat solmuupotukset ohitetaan. Neptune ML soveltaa aiemmasta opetetusta mallista opittua GNN-kooderia uusiin graafisen datasolmuihin niiden uusilla ominaisuuksilla. Siksi uudet graafitiedot on käsiteltävä samoilla ominaisuuskoodauksilla, ja sen on noudatettava samaa kaaviokaaviota kuin alkuperäinen graafidata. Katso lisää Neptune ML:n toteutustietoja osoitteessa Uusien malliesineiden luominen.
Lisäksi voit kouluttaa koko mallin uudelleen, jos kaavio muuttuu dramaattisesti tai jos aiemmin harjoitettu malli ei enää pysty esittämään tarkasti taustalla olevia vuorovaikutuksia. Tässä tapauksessa opittujen malliparametrien uudelleenkäyttö uudessa kaaviossa ei voi taata samanlaista mallin suorituskykyä. Sinun on koulutettava mallisi uudelleen uuteen kaavioon. Hyperparametrihaun nopeuttamiseksi Neptune ML voi hyödyntää edellisen mallin harjoitustehtävän tietoja lämpimällä käynnistyksellä: aiempien harjoitustehtävien tuloksia käytetään hyvien hyperparametrien yhdistelmien valitsemiseen uuden viritystyön hakuun.
nähdä työnkulkuja kehittyvien kaaviotietojen käsittelyyn lisätietoja.
Yhteenveto
Tässä viestissä olet nähnyt, kuinka Neptune ML ja GNN voivat auttaa sinua antamaan suosituksia kaaviotiedoista käyttämällä linkin ennustetehtävää yhdistämällä tietoja kaavion monimutkaisista vuorovaikutusmalleista.
Linkin ennustaminen on yksi tapa toteuttaa suositusjärjestelmä kaaviossa. Voit rakentaa suosittelijasi monilla muilla tavoilla. Voit käyttää linkin ennakointikoulutuksessa opittuja upotuksia klusteroidaksesi solmut eri segmentteihin valvomatta ja suositella kohteita samaan segmenttiin kuuluvalle. Lisäksi voit hankkia upotukset ja syöttää ne loppupään samankaltaisuuteen perustuvaan suositusjärjestelmään syöttöominaisuutena. Nyt tämä lisäsyöttöominaisuus koodaa myös graafista johdetun semanttisen tiedon ja voi tarjota merkittäviä parannuksia järjestelmän yleiseen tarkkuuteen. Lisätietoja Amazon Neptune ML:stä käy osoitteessa verkkosivusto tai kysy rohkeasti kommenteissa!
Tietoja Tekijät
Yanwei Cui, PhD, on koneoppimisen asiantuntijaratkaisujen arkkitehti AWS: ssä. Hän aloitti koneoppimistutkimuksen IRISA: ssa (Tietojenkäsittelytieteen ja satunnaisjärjestelmien tutkimuslaitos), ja hänellä on useiden vuosien kokemus tekoälyllä toimivien teollisen sovellusten rakentamisesta tietokoneiden näkemiseen, luonnollisen kielen käsittelyyn ja käyttäjien käyttäytymisen ennustamiseen. AWS: ssä hän jakaa osaamisaluetta ja auttaa asiakkaita avaamaan liiketoimintamahdollisuuksia ja saavuttamaan toteutettavia tuloksia laajamittaisella koneoppimisella. Työn ulkopuolella hän nauttii lukemisesta ja matkustamisesta.
Will Badr on AI/ML Specialist SA, joka työskentelee osana maailmanlaajuista Amazon Machine Learning -tiimiä. Will on intohimoinen teknologian käyttämisestä innovatiivisilla tavoilla vaikuttaakseen positiivisesti yhteisöön. Vapaa-ajallaan hän tykkää sukeltaa, pelata jalkapalloa ja tutustua Tyynenmeren saariin.
- '
- "
- 100
- 2020
- 7
- Meistä
- Mukaan
- Tili
- Lisäksi
- lisä-
- algoritmi
- algoritmit
- Kaikki
- jo
- Amazon
- Amazonin koneoppiminen
- Amazon Sage Maker
- Apache
- sovellukset
- keinotekoinen
- tekoäly
- Arts
- Automatisoitu
- AWS
- AWS uudelleen: keksintö
- Alku
- PARAS
- lasku
- Miljardi
- Musta
- rakentaa
- Rakentaminen
- liiketoiminta
- tapauksissa
- haasteet
- luokittelu
- koodi
- Yhteinen
- yhteisö
- monimutkainen
- Laskea
- Tietojenkäsittelyoppi
- Tietokoneen visio
- tietojenkäsittely
- Konfigurointi
- liitäntä
- Liitännät
- Console
- pitoisuus
- suppenee
- voisi
- Asiakkaat
- tiedot
- tietojen tutkija
- tietovarasto
- tietokanta
- sopimus
- syvä oppiminen
- Kehittäjä
- eri
- löytö
- etäisyys
- verkkokaupan
- reuna
- päätepiste
- Tekniikka
- Engineers
- jne.
- esimerkki
- experience
- tutkimus
- vienti
- uuttaminen
- FAST
- Ominaisuus
- Ominaisuudet
- Kuva
- Etunimi
- Keskittää
- muoto
- muoto
- Puitteet
- Ilmainen
- Ystävyys
- toiminto
- Pelit
- tuottaa
- Global
- hyvä
- kuvaaja hermoverkot
- suuri
- Käsittely
- auttaa
- auttaa
- tätä
- Miten
- Miten
- HTTPS
- IAM
- Vaikutus
- täytäntöönpanosta
- parantaminen
- Mukaan lukien
- Kasvaa
- henkilökohtainen
- teollinen
- tiedot
- innovatiivinen
- Älykkyys
- vuorovaikutus
- etu
- IT
- Job
- Työpaikat
- Kieli
- kielet
- OPPIA
- oppinut
- oppiminen
- Vaikutusvalta
- Kirjasto
- linja
- LINK
- Lista
- Listat
- sijainti
- näköinen
- Katso ylös
- koneoppiminen
- Jäsenet
- millisekunnin
- ML
- malli
- Musiikki
- Luonnollinen kieli
- Luonnollinen kielen käsittely
- tarvitaan
- naapurit
- verkko
- verkot
- hermo-
- neuroverkkomallien
- hermoverkkoihin
- Uudet ominaisuudet
- solmut
- kannettavat tietokoneet
- verkossa
- avata
- Muut
- Tyynenmeren
- Paperi
- Ihmiset
- suorituskyky
- vaihe
- Platforms
- Pelaa
- Tarkkuus
- ennustus
- Ennusteet
- esittää
- Pääasiallinen
- Ongelma
- prosessi
- Tuotteemme
- Profiili
- edistää
- omaisuus
- ehdottaa
- toimittaa
- tarjoaa
- osto
- Python
- kysymys
- alue
- raaka
- raakadata
- RE
- Lukeminen
- regressio
- Ihmissuhteet
- korvata
- tutkimus
- tulokset
- uudelleenkoulutus
- Tuotto
- ajaa
- sagemaker
- Asteikko
- tiede
- Haku
- setti
- Jaa:
- osakkeet
- samankaltainen
- Yksinkertainen
- pieni
- Jalkapallo
- sosiaalinen
- sosiaalinen kaavio
- sosiaalinen verkosto
- sosiaaliset verkostot
- Ratkaisumme
- Tila
- Urheilu
- Vaihe
- standardit
- Alkaa
- alkoi
- Levytila
- varastot
- Strategia
- täydentää
- Tukee
- Tutkimus
- järjestelmä
- järjestelmät
- Kohde
- Technologies
- Elektroniikka
- Kaavio
- Kautta
- aika
- ylin
- koulutus
- Muuttaa
- Muutos
- Päivitykset
- us
- Käyttäjät
- arvo
- visio
- Mitä
- KUKA
- laajalti
- wikipedia
- ilman
- sanoja
- Referenssit
- työnkulku
- toimii
- olisi
- vuotta
- zoomaus