מערכות המלצות הן אחת מטכנולוגיות למידת מכונה (ML) המאומצות ביותר ביישומים בעולם האמיתי, החל מרשתות חברתיות ועד לפלטפורמות מסחר אלקטרוני. משתמשים במערכות מקוונות רבות מסתמכים על מערכות המלצות כדי ליצור חברויות חדשות, לגלות מוזיקה חדשה לפי רשימות מוזיקה מוצעות, או אפילו לקבל החלטות רכישה במסחר אלקטרוני על סמך המוצרים המומלצים. ברשתות חברתיות, מקרה שימוש נפוץ אחד הוא המלצה על חברים חדשים למשתמש על סמך קשרים אחרים של המשתמשים. סביר להניח שמשתמשים עם חברים משותפים מכירים אחד את השני. לכן, הם צריכים לקבל ציון גבוה יותר עבור מערכת המלצות להציע אם הם עדיין לא מחוברים.
רשתות חברתיות יכולות להתבטא באופן טבעי בגרף, שבו הצמתים מייצגים אנשים, והקשרים בין אנשים, כמו חברות או עמיתים לעבודה, מיוצגים על ידי קצוות. להלן ממחיש רשת חברתית אחת כזו. בואו נדמיין שיש לנו רשת חברתית עם החברים (הצמתים) ביל, טרי, הנרי, גארי ואליסטר. מערכות היחסים שלהם מיוצגות על ידי קישור (קצה), ותחומי העניין של כל אדם, כגון ספורט, אומנויות, משחקים וקומיקס, מיוצגים על ידי מאפייני צמתים.
המטרה כאן היא לחזות אם יש קישור פוטנציאלי חסר בין חברים. לדוגמה, האם עלינו להמליץ על חיבור בין הנרי לטרי? בהסתכלות על הגרף, אנו יכולים לראות שיש להם שני חברים משותפים, גארי ואליסטר. לכן, יש סיכוי טוב שהנרי וטרי כבר הכירו זה את זה או אולי יכירו זה את זה בקרוב. מה עם הנרי וביל? אין להם חברים משותפים, אבל יש להם איזה קשר חלש דרך קשרים של חבריהם. בנוסף, לשניהם תחומי עניין דומים באמנויות, קומיקס ומשחקים. האם עלינו לקדם את הקשר הזה? כל השאלות והאינטואיציות הללו הן ההיגיון המרכזי של מערכות המלצות לרשתות חברתיות.
דרך אפשרית אחת לעשות זאת היא המלצה על קשרים המבוססים על חקר גרפים. בשפות שאילתות גרפים, כגון אפאצ'י טינקרפופ גרמלין, היישום של מערכות כללים כגון ספירת חברים משותפים, קל יחסית, וניתן להשתמש בו כדי לקבוע את הקשר בין הנרי לטרי. עם זאת, ערכות כללים אלו יהיו מסובכות מאוד כאשר אנו רוצים לתת את הדעת על תכונות אחרות כגון מאפייני צומת, חוזק חיבור וכו'. בואו נדמיין מערכת כללים כדי לקבוע את הקשר בין הנרי לביל. מערכת כללים זו חייבת להסביר את האינטרסים המשותפים שלהם ואת הקשרים החלשים שלהם דרך נתיבים מסוימים בגרף. כדי להגביר את החוסן, ייתכן שנצטרך להוסיף גם גורם מרחק כדי להעדיף קשרים חזקים ולהעניש את החלשים. באופן דומה, היינו רוצים גורם שיעדיף אינטרסים משותפים. בקרוב, מערכות החוקים שיכולות לחשוף דפוסים נסתרים מורכבים יהפכו לבלתי אפשריים למנות.
טכנולוגיית ML מאפשרת לנו לגלות דפוסים נסתרים על ידי לימוד אלגוריתמים. דוגמה אחת היא XGBoost, שנמצאת בשימוש נרחב למשימות סיווג או רגרסיה. עם זאת, אלגוריתמים כגון XGBoost משתמשים בגישת ML קונבנציונלית המבוססת על פורמט נתונים טבלאי. גישות אלו אינן מותאמות למבני נתונים גרפים, והן דורשות הנדסת תכונות מורכבת כדי להתמודד עם דפוסי נתונים אלו.
בדוגמה של הרשת החברתית הקודמת, מידע האינטראקציה בגרף הוא קריטי לשיפור דיוק ההמלצה. Graph Neural Network (GNN) היא מסגרת למידה עמוקה (DL) שניתן ליישם על גרף נתונים לביצוע משימות חיזוי ברמת הקצה, ברמת הצומת או ברמת הגרף. GNNs יכולים למנף מאפייני צומת בודדים כמו גם מידע על מבנה הגרף בעת לימוד ייצוג הגרף והדפוסים הבסיסיים. לכן, בשנים האחרונות, שיטות מבוססות GNN קבעו סטנדרטים חדשים על אמות מידה רבות של מערכות ממליצים. ראה מידע מפורט יותר במאמרי מחקר אחרונים: סקר מקיף על רשתות גראפיות עצביות ו מערכות ממליצים מבוססות למידת גרפים: סקירה.
להלן דוגמה מפורסמת אחת למקרה שימוש כזה. חוקרים ומהנדסים בפינטרסט הוכשרו גרף רשתות עצביות קונבולוציוניות עבור מערכות ממליצים בקנה מידה אינטרנט, הנקרא PinSage, עם שלושה מיליארד צמתים המייצגים סיכות ולוחות, ו-18 מיליארד קצוות. PinSage מייצר הטבעות באיכות גבוהה המייצגות סיכות (סימניות חזותיות לתוכן מקוון). אלה יכולים לשמש עבור מגוון רחב של משימות המלצות במורד הזרם, כגון חיפושים של השכנים הקרובים ביותר במרחב ההטמעה הנלמד לגילוי תוכן והמלצות.
בפוסט זה, נדריך אותך כיצד להשתמש ב-GNN למקרי שימוש בהמלצות על ידי יציאת זאת כבעיית חיזוי קישור. כמו כן, נמחיש כיצד Neptune ML יכול להקל על היישום. אנחנו נספק גם קוד לדוגמה ב-GitHub לאמן את ה-GNN הראשון שלך עם Neptune ML, ולהסיק מסקנות המלצות על גרף ההדגמה באמצעות משימות חיזוי קישור.
חיזוי קישור עם Graph Neural Networks
בהתחשב בדוגמה הקודמת של הרשת החברתית, ברצוננו להמליץ על חברים חדשים להנרי. גם טרי וגם ביל יהיו מועמדים טובים. לטרי יש חברים משותפים יותר (גארי, אליסטר) עם הנרי אבל אין תחומי עניין משותפים. אמנם ביל חולק תחומי עניין משותפים (אומנויות, קומיקס, משחקים) עם הנרי, אבל אין חברים משותפים. איזו מהן תהיה המלצה טובה יותר? כאשר ממוסגרים כבעיית חיזוי קישור, המשימה היא להקצות ניקוד לכל קישור אפשרי בין שני הצמתים. ככל שציון הקישור גבוה יותר, כך גדל הסיכוי שהמלצה זו תתכנס. על ידי לימוד מבני קישור שכבר קיימים בגרף, מודל חיזוי קישור יכול להכליל תחזיות קישור חדשות ש'משלימות' את הגרף.
הפרמטרים של הפונקציה f
שמנבא את ציון הקישור נלמד במהלך שלב האימון. מאז הפונקציה f
עושה חיזוי עבור כל שני צמתים בגרף, וקטורי התכונה המשויכים לצמתים חיוניים לתהליך הלמידה. כדי לחזות את ציון הקישור בין הנרי לביל, יש לנו קבוצה של תכונות נתונים גולמיות (אומנויות, קומיקס, משחקים) שיכולות לייצג את הנרי וביל. אנו הופכים את זה, יחד עם החיבורים בגרף, באמצעות רשת GNN כדי ליצור ייצוגים חדשים הידועים בשם הטבעת צמתים. אנו יכולים גם להשלים או להחליף את התכונות הגולמיות הראשוניות בוקטורים מטבלת חיפוש הטמעה שניתן ללמוד במהלך תהליך ההדרכה. באופן אידיאלי, התכונות המוטבעות של הנרי וביל צריכות לייצג את האינטרסים שלהם כמו גם את המידע הטופולוגי שלהם מהגרף.
איך GNNs עובדים
GNN הופך את תכונות הצומת הראשוניות להטמעות צומת על ידי שימוש בטכניקה הנקראת הודעה עוברת. תהליך העברת ההודעות מודגם באיור הבא. בהתחלה, תכונות הצומת או התכונות מומרות לתכונות מספריות. במקרה שלנו, אנחנו עושים קידוד חד-חם של המאפיינים הקטגוריים (תחומי העניין של הנרי: אומנויות, קומיקס, משחקים). לאחר מכן, השכבה הראשונה של GNN אוספת את כל התכונות הגולמיות של השכנים (גארי ואליסטר) (בשחור) כדי ליצור קבוצה חדשה של תכונות (בצהוב). גישה נפוצה היא טרנספורמציה ליניארית של כל התכונות השכנות, לאחר מכן צברו אותן באמצעות סכום מנורמל, והעבירו את התוצאות לפונקציית הפעלה לא ליניארית, כגון ReLU, כדי ליצור סט וקטור חדש. האיור הבא ממחיש כיצד העברת הודעות פועלת עבור צומת הנרי. H, אלגוריתם העברת הודעות GNN, יחשב ייצוגים עבור כל צמתי הגרף. אלה משמשים מאוחר יותר כתכונות הקלט עבור השכבה השנייה.
השכבה השנייה של GNN חוזרת על אותו תהליך. הוא לוקח את התכונה שחושבה קודם לכן (בצהוב) מהשכבה הראשונה כקלט, אוסף את כל התכונות המוטבעות החדשות של שכנים של גארי ואליסטר, ומייצר וקטורים של תכונה בשכבה השנייה עבור הנרי (בכתום). כפי שאתה יכול לראות, על ידי חזרה על מנגנון העברת ההודעות, הרחבנו את צבירת התכונות לשכנים 2-Hop. באיור שלנו, אנו מגבילים את עצמנו לשכנים של 2 הופים, אך ניתן לבצע הרחבה לשכנים של 3 הופים באותו אופן על ידי הוספת שכבת GNN נוספת.
ההטבעות האחרונות מהנרי וביל (בכתום) משמשות לחישוב הניקוד. במהלך תהליך האימון, ציון הקישור מוגדר כ-1 כאשר הקצה קיים בין שני הצמתים (מדגם חיובי), וכ-0 כאשר הקצוות בין שני הצמתים אינם קיימים (מדגם שלילי). לאחר מכן, השגיאה או ההפסד בין הציון בפועל לבין החיזוי f(e1,e2)
מופצת בחזרה לשכבות קודמות כדי להתאים את המשקולות. לאחר סיום האימון, נוכל להסתמך על וקטורי התכונות המוטבעים עבור כל צומת כדי לחשב את ציוני הקישור שלהם עם הפונקציה שלנו f
.
בדוגמה זו, פישטנו את משימת הלמידה ב-a גרף הומוגני, כאשר כל הצמתים והקצוות הם מאותו סוג. לדוגמה, כל הצמתים בגרף הם מסוג "אנשים", וכל הקצוות הם מסוג "חברים עם". עם זאת, אלגוריתם הלמידה תומך גם בגרפים הטרוגניים עם סוגי צומת וקצה שונים. אנו יכולים להרחיב את מקרה השימוש הקודם כדי להמליץ על מוצרים למשתמשים שונים החולקים אינטראקציות ותחומי עניין דומים. ראה פרטים נוספים במאמר מחקר זה: מודלים של נתונים יחסיים עם רשתות גרפיות.
ב-AWS re:Invent 2020, הצגנו אמזון נפטון ML, המאפשר ללקוחותינו להכשיר מודלים של ML על נתוני גרפים, מבלי שיש להם בהכרח מומחיות עמוקה ב-ML. בדוגמה זו, בעזרת Neptune ML, נראה לכם כיצד לבנות מערכת ממליצים משלכם על נתוני גרפים.
אמן את רשת ה-Graph Convolution שלך עם Amazon Neptune ML
Neptune ML משתמש בטכנולוגיית רשת עצבית גרפית כדי ליצור, לאמן ולפרוס באופן אוטומטי מודלים של ML על נתוני הגרף שלך. Neptune ML תומך במשימות חיזוי גרף נפוצות, כגון סיווג ורגרסיה של צמתים, סיווג קצה ורגרסיה וחיזוי קישורים.
הוא מופעל על ידי:
- אמזון נפטון: מסד נתונים גרפים מהיר, אמין ומנוהל במלואו, אשר מותאם לאחסון מיליארדי מערכות יחסים ושאילתות על הגרף בהשהייה של אלפיות שניות. Amazon Neptune תומכת בשלושה סטנדרטים פתוחים לבניית יישומי גרפים: Apache TinkerPop Gremlin, RDF SPARQL ו-openCypher. למידע נוסף ב סקירה כללית של תכונות אמזון נפטון.
- אמזון SageMaker: שירות מנוהל במלואו המספק לכל מפתח ומדען נתונים את היכולת להכין, לבנות, לאמן ולפרוס מודלים של ML במהירות.
- ספריית גרפים עמוקים (DGL): א קוד פתוחחבילת Python בעלת ביצועים גבוהים וניתנת להרחבה עבור DL בגרפים. הוא מספק הודעות מהיר וחסכוני בזיכרון המעביר פרימיטיבים לאימון רשתות גרפיות עצביות. Neptune ML משתמש ב-DGL כדי לבחור ולהכשיר באופן אוטומטי את מודל ה-ML הטוב ביותר עבור עומס העבודה שלך. זה מאפשר לך לבצע תחזיות מבוססות ML על נתוני גרפים בשעות במקום בשבועות.
הדרך הקלה ביותר להתחיל עם Neptune ML היא להשתמש ב- תבנית התחלה מהירה של AWS CloudFormation. התבנית מתקינה את כל הרכיבים הדרושים, כולל אשכול Neptune DB, ומגדירה את תצורות הרשת, תפקידי IAM ומופע המחברת המשויך של SageMaker עם דוגמאות מחברת מאוכלסות מראש עבור Neptune ML.
האיור הבא ממחיש שלבים שונים עבור Neptune ML לאימון מערכת המלצות מבוססת GNN. בואו נתקרב לכל שלב ונחקור מה הוא כולל:
-
תצורת ייצוא נתונים
השלב הראשון בתהליך Neptune ML שלנו הוא לייצא את נתוני הגרף מאשכול נפטון. עלינו לציין את הפרמטרים ואת תצורת המודל עבור משימת ייצוא הנתונים. אנו משתמשים בשולחן העבודה של נפטון עבור כל התצורות והשבחים. שולחן העבודה מאפשר לנו לעבוד עם אשכול Neptune DB באמצעות מחברות Jupyter המתארחות על ידי Amazon SageMaker. בנוסף, הוא מספק מספר פקודות קסם במחברות החוסכות הרבה מאוד זמן ומאמץ. הנה הדוגמה שלנו לפרמטרי ייצוא:
In export_params
, עלינו להגדיר את ההגדרה הבסיסית, כגון אשכול נפטון ופלט שירות אחסון פשוט של אמזון (S3) נתיב לאחסון נתונים מיוצא. התצורה שצוינה ב additionalParams
הוא סוג משימת ML שיש לבצע. בדוגמה זו, חיזוי קישור משמש אופציונלי כדי לחזות סוג קצה מסוים (User—FRIEND—User). אם לא צוין סוג יעד, אז Neptune ML יניח שהמשימה היא חיזוי קישור. הפרמטרים מציינים גם פרטים על הנתונים המאוחסנים בגרף שלנו וכיצד מודל ה-ML יפרש את הנתונים הללו (יש לנו "משתמש" כצומת ו"אינטרסים" כמאפיין צומת).
כדי להפעיל כל שלב בתהליך בניית ה-ML, פשוט השתמש בפקודות ספסל העבודה של Neptune. ה ספסל עבודה של נפטון מכיל קסם קו וקסם תא שיכולים לחסוך לך זמן רב בניהול השלבים הללו. כדי להפעיל את ייצוא הנתונים, השתמש בפקודה של ספסל העבודה של Neptune: %neptune_ml export start
לאחר סיום עבודת הייצוא, גרף נפטון ייצא לפורמט CSV ויישמר בדלי S3. יהיו שני סוגי קבצים: nodes.csv
ו edges.csv
. קובץ בשם training-data-configuration.json
ייווצר גם בעל התצורה הדרושה ל-Neptune ML לביצוע אימון מודלים.
לִרְאוֹת ייצא נתונים מ-Neptune עבור Neptune ML לקבלת מידע נוסף.
-
עיבוד מראש של נתונים
Neptune ML מבצע חילוץ וקידוד תכונות כחלק משלבי עיבוד הנתונים. סוגים נפוצים של עיבוד מקדים של מאפיינים כוללים: קידוד מאפיינים קטגוריים באמצעות קידוד חד-חם, איסוף תכונות מספריות, או שימוש ב-word2vec כדי לקודד מאפיין מחרוזת או ערכי מאפייני טקסט אחרים בצורה חופשית.
בדוגמה שלנו, פשוט נשתמש בנכס "אינטרסים". Neptune ML מקודד את הערכים כרב-קטגוריים. עם זאת, אם ערך קטגורי מורכב (יותר משלוש מילים לצומת), אז Neptune ML מסיק שסוג המאפיין הוא טקסט ומשתמש בקידוד text_word2vec.
כדי להפעיל עיבוד מקדים של נתונים, השתמש בפקודת הקסם הבאה של מחברת Neptune: %neptune_ml dataprocessing start
בסוף שלב זה, גרף DGL נוצר ממערך הנתונים המיוצא לשימוש על ידי שלב אימון המודל. Neptune ML מכוון אוטומטית את הדגם עם משימות כוונון מיטוב היפרפרמטרים המוגדרות ב training-data-configuration.json
. אנו יכולים להוריד ולשנות את הקובץ הזה כדי לכוון את הפרמטרים ההיפר-פרמטרים של המודל, כגון גודל אצווה, num-hidden, num-epochs, dropout וכו'. קובץ configuration.json לדוגמה.
לִרְאוֹת עיבוד נתוני הגרף המיוצאים מ-Neptune לצורך אימון לקבלת מידע נוסף.
-
אימון מודל
השלב הבא הוא הכשרה אוטומטית של מודל GNN. הכשרת המודל נעשית בשני שלבים. השלב הראשון משתמש בעבודת SageMaker Processing כדי ליצור אסטרטגיית אימון מודל. זוהי ערכת תצורה המציינת איזה סוג של טווחי היפרפרמטרים של מודל ודגם ישמשו עבור אימון המודל.
לאחר מכן, תושק עבודת כוונון היפרפרמטר של SageMaker. ה SageMaker Hyperparameter Tuning עבודת אופטימיזציה מריץ מספר מוגדר מראש של ניסויי עבודה של אימון מודלים על הנתונים המעובדים, מנסה שילובי היפרפרמטרים שונים בהתאם ל- model-hpo-configuration.json
קובץ, ומאחסן את חפצי המודל שנוצרו על ידי האימון במיקום הפלט של Amazon S3.
כדי להתחיל את שלב האימון, אתה יכול להשתמש ב- %neptune_ml training start
פקודה.
לאחר השלמת כל עבודות ההדרכה, עבודת כוונון Hyperparameter תציל את החפצים מהמודל בעל הביצועים הטובים ביותר, אשר ישמש להסקת מסקנות.
בתום האימון, Neptune ML ינחה את SageMaker לשמור את המודל המאומן, את ההטמעות הגולמיות המחושבות עבור הצמתים והקצוות ואת מידע המיפוי בין ההטמעות ומדדי הצמתים.
לִרְאוֹת הכשרת מודל באמצעות Neptune ML לקבלת מידע נוסף.
-
צור נקודת קצה של מסקנות באמזון SageMaker
כעת, לאחר שנלמד ייצוג הגרף, אנו יכולים לפרוס את המודל הנלמד מאחורי נקודת קצה כדי לבצע בקשות להסקה. קלט המודל יהיה המשתמש שעבורו אנחנו צריכים להפיק המלצות של חברים, יחד עם סוג הקצה, והפלט יהיה רשימת החברים המומלצים הסבירים עבור אותו משתמש.
כדי לפרוס את המודל למופע נקודת הקצה של SageMaker, השתמש ב- %neptune_ml endpoint create
פקודה.
-
שאל את מודל ה-ML באמצעות Gremlin
ברגע שנקודת הקצה מוכנה, נוכל להשתמש בה עבור שאילתות הסקת גרפים. Neptune ML תומך בשאילתות הסקת גרף ב- Gremlin או SPARQL. בדוגמה שלנו, אנו יכולים כעת לבדוק את המלצת החברים עם Neptune ML על המשתמש "הנרי". זה דורש כמעט אותו תחביר כדי לעבור את הקצה, והוא מפרט את שאר המשתמשים המחוברים להנרי דרך החיבור FRIEND.
Neptune#ml.prediction
מחזירה את החיבור שנקבע על ידי תחזיות Neptune ML על ידי שימוש במודל שזה עתה אימנו על הגרף החברתי. ביל מוחזר בדיוק כמו הציפייה שלנו.
הנה שאילתת חיזוי נוספת לדוגמה המשמשת לניבוי שמונת המשתמשים המובילים שיש להם סיכוי גבוה יותר להתחבר עם הנרי:
התוצאות מדורגות מחיבור חזק יותר לחלש יותר, כאשר הקישור Henry — FRIEND — Colin and Henry — FRIEND — Terry
מוצע גם. הצעה זו היא באמצעות ML מבוסס גרף שבו ניתן לחקור דפוסי אינטראקציה מורכבים על גרף.
לִרְאוֹת שאילתות הסקת גרמלין ב-Neptune ML לקבלת מידע נוסף.
שינוי מודל או אימון מחדש כאשר נתוני גרף משתנים
שאלה נוספת שאתה עשוי לשאול היא: מה אם הרשת החברתית שלי משתנה, או אם אני רוצה להמליץ למשתמשים חדשים שנוספו? בתרחישים אלה, שבהם יש לך גרפים משתנים ללא הרף, ייתכן שיהיה עליך לעדכן את תחזיות ML עם נתוני הגרפים החדשים ביותר. חפצי המודל שנוצרו לאחר האימון קשורים ישירות לגרף האימון. המשמעות היא שיש לעדכן את נקודת הסיום לאחר שהישויות בגרף ההדרכה המקורי משתנות.
עם זאת, אינך צריך לאמן מחדש את כל המודל כדי לבצע תחזיות על הגרף המעודכן. עם זרימת עבודה מצטברת של הסקת מודל, אתה רק צריך לייצא את נתוני Neptune DB, לבצע עיבוד מקדים של נתונים מצטבר, להריץ משימת שינוי אצווה של מודל ולאחר מכן לעדכן את נקודת הסיום. שלב המרת המודל לוקח את המודל המאומן מזרימת העבודה הראשית ואת התוצאות של שלב עיבוד מוקדם של נתונים מצטבר כקלט. ואז הוא מוציא חפץ דגם חדש לשימוש להסקת מסקנות. חפץ דגם חדש זה נוצר מנתוני הגרפים המעודכנים.
מיקוד מיוחד אחד כאן הוא עבור פקודת השלב של שינוי מודל. זה יכול לחשב חפצי מודל על נתוני גרפים שלא שימשו לאימון מודלים. הטמעות הצומת מחושבות מחדש וכל הטמעות הצומת הקיימות נדחפות. Neptune ML מיישמת את מקודד ה-GNN הנלמד מהדגם שעבר הכשרה על צמתי נתוני הגרפים החדשים עם התכונות החדשות שלהם. לכן, יש לעבד את נתוני הגרפים החדשים באמצעות אותם קידודי תכונה, והם חייבים לדבוק לאותה סכימת גרף כמו נתוני הגרף המקוריים. ראה פרטים נוספים על יישום Neptune ML בכתובת יצירת חפצי דגם חדשים.
יתר על כן, אתה יכול לאמן מחדש את כל המודל אם הגרף משתנה באופן דרמטי, או אם המודל שעבר הכשרה לא יכול עוד לייצג במדויק את האינטראקציות הבסיסיות. במקרה זה, שימוש חוזר בפרמטרי המודל הנלמדים בגרף חדש אינו יכול להבטיח ביצועי מודל דומה. עליך לאמן מחדש את המודל שלך על הגרף החדש. כדי להאיץ את חיפוש ההיפרפרמטרים, Neptune ML יכול למנף את המידע ממשימת האימון הקודמת של המודל עם התחלה חמה: התוצאות של עבודות הכשרה קודמות משמשות לבחירת שילובים טובים של היפרפרמטרים לחיפוש על עבודת הכוונון החדשה.
לִרְאוֹת זרימות עבודה לטיפול בנתוני גרפים מתפתחים לקבלת פרטים נוספים.
סיכום
בפוסט זה, ראית כיצד Neptune ML ו-GNNs יכולים לעזור לך להמליץ על נתוני גרפים באמצעות משימת חיזוי קישור על ידי שילוב מידע מדפוסי האינטראקציה המורכבים בגרף.
חיזוי קישור היא אחת הדרכים ליישם מערכת המלצות על גרף. אתה יכול לבנות את הממליץ שלך בדרכים רבות אחרות. אתה יכול להשתמש בהטמעות שנלמדו במהלך אימון חיזוי קישורים כדי לאגד את הצמתים למקטעים שונים באופן לא מפוקח, ולהמליץ על פריטים לזה השייך לאותו מקטע. יתר על כן, אתה יכול להשיג את ההטמעות ולהזין אותן למערכת המלצות מבוססת דמיון במורד הזרם כתכונת קלט. כעת תכונת הקלט הנוספת הזו מקודדת גם את המידע הסמנטי הנגזר מהגרף ויכולה לספק שיפורים משמעותיים לדיוק הכללי של המערכת. למד עוד על Amazon Neptune ML על ידי ביקור באתר אתר אינטרנט או אל תהסס לשאול שאלות בתגובות!
על הכותבים
Yanwei Cui, PhD, הוא אדריכל פתרונות מומחה למידת מכונה ב-AWS. הוא התחיל לחקור למידת מכונה ב-IRISA (מכון המחקר למדעי המחשב ומערכות אקראיות), ויש לו ניסיון של מספר שנים בבניית יישומים תעשייתיים מונעי בינה מלאכותית בראייה ממוחשבת, עיבוד שפה טבעית וחיזוי התנהגות משתמשים מקוונים. ב-AWS, הוא חולק את המומחיות בתחום ועוזר ללקוחות לפתוח פוטנציאלים עסקיים ולהניב תוצאות ניתנות לפעולה עם למידת מכונה בקנה מידה. מחוץ לעבודה, הוא נהנה לקרוא ולטייל.
וויל בדר הוא ראשי AI/ML Specialist SA שעובד כחלק מצוות למידת מכונה העולמית של Amazon. וויל מתלהב משימוש בטכנולוגיה בדרכים חדשניות כדי להשפיע לטובה על הקהילה. בזמנו הפנוי, הוא אוהב לצלול, לשחק כדורגל ולחקור את איי האוקיינוס השקט.
- '
- "
- 100
- 2020
- 7
- אודות
- פי
- חֶשְׁבּוֹן
- תוספת
- נוסף
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- כְּבָר
- אמזון בעברית
- למידת מכונת אמזון
- אמזון SageMaker
- אַפָּשׁ
- יישומים
- מלאכותי
- בינה מלאכותית
- אומנות
- אוטומטי
- AWS
- AWS re: המצאה
- ההתחלה
- הטוב ביותר
- הצעת חוק
- B
- שחור
- לִבנוֹת
- בִּניָן
- עסקים
- מקרים
- האתגרים
- מיון
- קוד
- Common
- קהילה
- מורכב
- לחשב
- מדעי מחשב
- ראייה ממוחשבת
- מחשוב
- תְצוּרָה
- הקשר
- חיבורי
- קונסול
- תוכן
- לְהִתְכַּנֵס
- יכול
- לקוחות
- נתונים
- מדען נתונים
- אחסון נתונים
- מסד נתונים
- עסקה
- למידה עמוקה
- מפתח
- אחר
- תגלית
- מרחק
- מסחר אלקטרוני
- אדג '
- נקודת קצה
- הנדסה
- מהנדסים
- וכו '
- דוגמה
- ניסיון
- חקירה
- יצוא
- הוֹצָאָה
- מהר
- מאפיין
- תכונות
- תרשים
- ראשון
- להתמקד
- טופס
- פוּרמָט
- מסגרת
- חופשי
- ידידות
- פונקציה
- משחקים
- ליצור
- גלוֹבָּלִי
- טוב
- גרף רשתות עצביות
- גדול
- טיפול
- לעזור
- עוזר
- כאן
- איך
- איך
- HTTPS
- IAM
- פְּגִיעָה
- יישום
- שיפור
- כולל
- להגדיל
- בנפרד
- התעשייה
- מידע
- חדשני
- מוֹדִיעִין
- אינטראקציה
- אינטרסים
- IT
- עבודה
- מקומות תעסוקה
- שפה
- שפות
- לִלמוֹד
- למד
- למידה
- תנופה
- סִפְרִיָה
- קו
- קשר
- רשימה
- רשימות
- מיקום
- הסתכלות
- בדיקה
- למידת מכונה
- להרשם/להתחבר
- מילי שניות
- ML
- מודל
- כלי נגינה
- שפה טבעית
- עיבוד שפה טבעית
- נחוץ
- השכנים
- רשת
- רשתות
- עצביים
- רשת עצבית
- רשתות עצביות
- תכונות חדשות
- צמתים
- מחשבים ניידים
- באינטרנט
- לפתוח
- אחר
- פסיפיק
- מאמר
- אֲנָשִׁים
- ביצועים
- שלב
- פלטפורמות
- לְשַׂחֵק
- דיוק
- נבואה
- התחזיות
- להציג
- מנהל
- בעיה
- תהליך
- מוצרים
- פּרוֹפִיל
- לקדם
- רכוש
- להציע
- לספק
- מספק
- לִרְכּוֹשׁ
- פיתון
- שאלה
- רכס
- חי
- נתונים גולמיים
- RE
- קריאה
- נסיגה
- מערכות יחסים
- להחליף
- מחקר
- תוצאות
- הסבה מקצועית
- החזרות
- הפעלה
- בעל חכמים
- סולם
- מדע
- חיפוש
- סט
- שיתוף
- שיתופים
- דומה
- פָּשׁוּט
- קטן
- כדורגל
- חֶברָתִי
- גרף חברתי
- רשת חברתית
- רשתות חברתיות
- פתרונות
- מֶרחָב
- ספורט
- התמחות
- תקנים
- התחלה
- החל
- אחסון
- חנויות
- אִסטרָטֶגִיָה
- תוספת
- תומך
- סֶקֶר
- מערכת
- מערכות
- יעד
- טכנולוגיות
- טכנולוגיה
- הגרף
- דרך
- זמן
- חלק עליון
- הדרכה
- לשנות
- טרנספורמציה
- עדכון
- us
- משתמשים
- ערך
- חזון
- מה
- מי
- באופן נרחב
- ויקיפדיה
- לְלֹא
- מילים
- תיק עבודות
- זרימת עבודה
- עובד
- היה
- שנים
- זום