Öneri sistemleri, sosyal ağlardan e-ticaret platformlarına kadar uzanan gerçek dünya uygulamalarında en yaygın şekilde benimsenen makine öğrenimi (ML) teknolojilerinden biridir. Birçok çevrimiçi sistemin kullanıcıları, yeni arkadaşlıklar kurmak, önerilen müzik listelerine göre yeni müzikler keşfetmek ve hatta önerilen ürünlere göre e-ticaret satın alma kararları vermek için öneri sistemlerine güvenir. Sosyal ağlarda, yaygın bir kullanım durumu, kullanıcıların diğer bağlantılarına göre bir kullanıcıya yeni arkadaşlar önermektir. Ortak arkadaşlara sahip kullanıcılar muhtemelen birbirlerini tanırlar. Bu nedenle, henüz bağlanmamışlarsa önerecekleri bir öneri sistemi için daha yüksek bir puana sahip olmaları gerekir.
Sosyal ağlar, doğal olarak, düğümlerin insanları temsil ettiği ve arkadaşlık veya iş arkadaşları gibi insanlar arasındaki bağlantıların kenarlarla temsil edildiği bir grafikte ifade edilebilir. Aşağıda böyle bir sosyal ağ gösterilmektedir. Üyeler (düğümler) Bill, Terry, Henry, Gary ve Alistair ile bir sosyal ağımız olduğunu hayal edelim. İlişkileri bir bağlantı (kenar) ile temsil edilir ve her kişinin spor, sanat, oyun ve çizgi roman gibi ilgi alanları düğüm özellikleriyle temsil edilir.
Buradaki amaç, üyeler arasında potansiyel bir kayıp halka olup olmadığını tahmin etmektir. Örneğin, Henry ve Terry arasında bir bağlantı önermeli miyiz? Grafiğe baktığımızda, Gary ve Alistair adında iki ortak arkadaşları olduğunu görebiliriz. Bu nedenle, Henry ve Terry'nin birbirlerini zaten tanımaları veya yakında birbirlerini tanımaları için iyi bir şans var. Henry ve Bill'e ne dersin? Ortak arkadaşları yoktur, ancak arkadaşlarının bağlantıları aracılığıyla zayıf bir bağları vardır. Ayrıca sanat, çizgi roman ve oyunlara da benzer ilgileri var. Bu bağlantıyı teşvik etmeli miyiz? Tüm bu sorular ve sezgiler, sosyal ağ tavsiye sistemlerinin temel mantığıdır.
Bunu yapmanın olası bir yolu, grafik keşfine dayalı ilişkiler önermektir. Grafik sorgulama dillerinde, örneğin Apache TinkerPop Gremlin, ortak arkadaşları saymak gibi kural setlerinin uygulanması nispeten kolaydır ve Henry ile Terry arasındaki bağlantıyı belirlemek için kullanılabilir. Ancak, düğüm özellikleri, bağlantı gücü vb. gibi diğer öznitelikleri hesaba katmak istediğimizde bu kural kümeleri çok karmaşık olacaktır. Henry ve Bill arasındaki bağlantıyı belirlemek için bir kural kümesi düşünelim. Bu kural seti, grafikteki belirli yollardan geçen ortak çıkarlarını ve zayıf bağlantılarını hesaba katmalıdır. Sağlamlığı artırmak için, güçlü bağlantıları desteklemek ve zayıf olanları cezalandırmak için bir mesafe faktörü eklememiz gerekebilir. Benzer şekilde, ortak çıkarları destekleyen bir faktör isteriz. Yakında, karmaşık gizli kalıpları ortaya çıkaran kural setlerini saymak imkansız hale gelecek.
Makine öğrenimi teknolojisi, algoritmaları öğrenerek gizli kalıpları keşfetmemizi sağlar. Bir örnek, sınıflandırma veya regresyon görevleri için yaygın olarak kullanılan XGBoost'tur. Bununla birlikte, XGBoost gibi algoritmalar, tablo biçiminde bir veri formatına dayalı geleneksel bir makine öğrenimi yaklaşımı kullanır. Bu yaklaşımlar, grafik veri yapıları için optimize edilmemiştir ve bu veri modelleriyle başa çıkmak için karmaşık özellik mühendisliği gerektirir.
Önceki sosyal ağ örneğinde, grafik etkileşim bilgileri, öneri doğruluğunu iyileştirmek için kritik öneme sahiptir. Grafik Sinir Ağı (GNN), kenar düzeyinde, düğüm düzeyinde veya grafik düzeyinde tahmin görevlerini gerçekleştirmek için grafik verilerine uygulanabilen bir derin öğrenme (DL) çerçevesidir. GNN'ler, grafik temsilini ve altta yatan kalıpları öğrenirken, bireysel düğüm özelliklerinden ve grafik yapı bilgisinden yararlanabilir. Bu nedenle, son yıllarda, GNN tabanlı yöntemler birçok tavsiye sistemi kıyaslamasında yeni standartlar belirlemiştir. Son araştırma makalelerinde daha ayrıntılı bilgilere bakın: Grafik Sinir Ağları Üzerine Kapsamlı Bir Araştırma ve Grafik Öğrenmeye Dayalı Tavsiye Sistemleri: Bir İnceleme.
Aşağıdaki, böyle bir kullanım durumunun ünlü bir örneğidir. Pinterest'teki araştırmacılar ve mühendisler eğitim verdi Web Ölçekli Tavsiye Sistemleri için Grafik Konvolüsyonel Sinir Ağlarıpinleri ve panoları temsil eden üç milyar düğüm ve 18 milyar kenar ile PinSage olarak adlandırılır. PinSage, iğneleri (çevrimiçi içeriğe görsel yer imleri) temsil eden yüksek kaliteli yerleştirmeler oluşturur. Bunlar, içerik keşfi ve tavsiyeler için öğrenilmiş gömme alanındaki en yakın komşu aramaları gibi çok çeşitli alt öneri görevleri için kullanılabilir.
Bu yazıda, bunu bir bağlantı tahmin problemi olarak kullanarak tavsiye kullanım durumları için GNN'leri nasıl kullanacağınız konusunda size yol göstereceğiz. Ayrıca Neptune ML'nin uygulamayı nasıl kolaylaştırabileceğini de göstereceğiz. biz de sağlayacağız GitHub'da örnek kod ilk GNN'inizi Neptune ML ile eğitmek ve link tahmin görevleri aracılığıyla demo grafiği üzerinde öneri çıkarımları yapmak.
Grafik Sinir Ağları ile bağlantı tahmini
Önceki sosyal ağ örneğini göz önünde bulundurarak, Henry'ye yeni arkadaşlar önermek istiyoruz. Hem Terry hem de Bill iyi adaylar olur. Terry'nin Henry ile daha fazla ortak arkadaşı var (Gary, Alistair) ama ortak ilgi alanları yok. Bill, Henry ile ortak ilgi alanları (sanat, çizgi roman, oyunlar) paylaşırken, ancak ortak arkadaşları yoktur. Hangisi daha iyi bir tavsiye olur? Bir bağlantı tahmin problemi olarak çerçevelendiğinde, görev, iki düğüm arasındaki olası herhangi bir bağlantıya bir puan atamaktır. Bağlantı puanı ne kadar yüksekse, bu önerinin yakınsama olasılığı o kadar yüksektir. Bir bağlantı tahmin modeli, grafikte zaten mevcut olan bağlantı yapılarını öğrenerek, grafiği 'tamamlayan' yeni bağlantı tahminlerini genelleştirebilir.
fonksiyonun parametreleri f
bağlantı puanını tahmin eden eğitim aşamasında öğrenilir. İşlevden beri f
grafikteki herhangi iki düğüm için bir tahminde bulunursa, düğümlerle ilişkili özellik vektörleri öğrenme süreci için gereklidir. Henry ve Bill arasındaki bağlantı puanını tahmin etmek için, Henry ve Bill'i temsil edebilecek bir dizi ham veri özelliğimiz (resimler, çizgi romanlar, oyunlar) var. Bunu, düğüm yerleştirmeleri olarak bilinen yeni temsiller oluşturmak için bir GNN ağı kullanarak grafikteki bağlantılarla birlikte dönüştürüyoruz. Ayrıca, başlangıç ham özelliklerini, eğitim sürecinde öğrenilebilen bir yerleştirme arama tablosundaki vektörlerle tamamlayabilir veya değiştirebiliriz. İdeal olarak, Henry ve Bill için gömülü özellikler, grafikteki topolojik bilgilerinin yanı sıra çıkarlarını da temsil etmelidir.
GNN'ler nasıl çalışır?
Bir GNN, ilk düğüm özelliklerini, adı verilen bir teknik kullanarak düğüm gömmelerine dönüştürür. ileti geçişi. Mesaj geçirme işlemi aşağıdaki şekilde gösterilmektedir. Başlangıçta, düğüm nitelikleri veya özellikleri sayısal niteliklere dönüştürülür. Bizim durumumuzda, kategorik özelliklerin (Henry'nin ilgi alanları: sanat, çizgi roman, oyunlar) hızlı kodlamasını yapıyoruz. Ardından, GNN'nin ilk katmanı, yeni bir özellikler seti (sarı) oluşturmak için komşuların (Gary ve Alistair) tüm ham özelliklerini (siyah) toplar. Yaygın bir yaklaşım, tüm komşu özelliklerin doğrusal dönüşümüdür, ardından bunları normalleştirilmiş bir toplamla toplar ve sonuçları yeni bir vektör seti oluşturmak için ReLU gibi doğrusal olmayan bir aktivasyon fonksiyonuna aktarır. Aşağıdaki şekil, mesaj geçirmenin düğüm için nasıl çalıştığını göstermektedir. Henry. GNN mesaj geçirme algoritması H, tüm grafik düğümleri için gösterimleri hesaplayacaktır. Bunlar daha sonra ikinci katman için giriş özellikleri olarak kullanılır.
Bir GNN'nin ikinci katmanı aynı işlemi tekrarlar. İlk katmandan önceden hesaplanan özelliği (sarı renkte) girdi olarak alır, Gary ve Alistair'in komşularının tüm yeni gömülü özelliklerini toplar ve Henry için ikinci katman özellik vektörlerini (turuncu renkte) oluşturur. Gördüğünüz gibi, mesaj geçirme mekanizmasını tekrarlayarak özellik toplamayı 2 sekmeli komşulara genişlettik. Çizimimizde kendimizi 2 sekmeli komşularla sınırladık, ancak 3 sekmeli komşulara genişletme, başka bir GNN katmanı ekleyerek aynı şekilde yapılabilir.
Henry ve Bill'in (turuncu renkli) son katıştırmaları, skoru hesaplamak için kullanılır. Eğitim sürecinde bağlantı puanı, iki düğüm arasında kenar olduğunda (pozitif örnek) 1, iki düğüm arasında kenar olmadığında (negatif örnek) 0 olarak tanımlanır. Ardından, gerçek puan ile tahmin arasındaki hata veya kayıp f(e1,e2)
ağırlıkları ayarlamak için önceki katmanlara geri yayılır. Eğitim bittiğinde, fonksiyonumuzla bağlantı puanlarını hesaplamak için her düğüm için gömülü özellik vektörlerine güvenebiliriz. f
.
Bu örnekte, öğrenme görevini basitleştirdik. homojen grafik, burada tüm düğümler ve kenarlar aynı tiptedir. Örneğin, grafikteki tüm düğümler "Kişiler" tipindedir ve tüm kenarlar "ile arkadaşlar" tipindedir. Bununla birlikte, öğrenme algoritması, farklı düğüm ve kenar tiplerine sahip heterojen grafikleri de destekler. Benzer etkileşimleri ve ilgi alanlarını paylaşan farklı kullanıcılara ürünler önermek için önceki kullanım durumunu genişletebiliriz. Bu araştırma makalesinde daha fazla ayrıntı görün: İlişkisel Verileri Grafik Evrişimli Ağlarla Modelleme.
AWS re:Invent 2020'de şunları tanıttık: Amazon Neptün ML, bu da müşterilerimizin derin makine öğrenimi uzmanlığına sahip olmaları gerekmeden makine öğrenimi modellerini grafik verileri üzerinde eğitmelerini sağlar. Bu örnekte, Neptune ML'nin yardımıyla, grafik verileri üzerinde kendi tavsiye sisteminizi nasıl oluşturacağınızı göstereceğiz.
Grafik Evrişim Ağınızı Amazon Neptune ML ile Eğitin
Neptune ML, grafik verilerinizde makine öğrenimi modellerini otomatik olarak oluşturmak, eğitmek ve dağıtmak için grafik sinir ağı teknolojisini kullanır. Neptune ML, düğüm sınıflandırması ve regresyon, kenar sınıflandırması ve regresyon ve bağlantı tahmini gibi yaygın grafik tahmin görevlerini destekler.
Şunlar tarafından desteklenmektedir:
- Amazon Neptün: Milyarlarca ilişkiyi depolamak ve grafiği milisaniye gecikmeyle sorgulamak için optimize edilmiş, hızlı, güvenilir ve tam olarak yönetilen bir grafik veritabanı. Amazon Neptune, grafik uygulamaları oluşturmak için üç açık standardı destekler: Apache TinkerPop Gremlin, RDF SPARQL ve openCypher. adresinde daha fazla bilgi edinin Amazon Neptune Özelliklerine Genel Bakış.
- Amazon Adaçayı Yapıcı: her geliştiriciye ve veri bilimciye makine öğrenimi modellerini hızlı bir şekilde derleme, eğitme ve devreye alma becerisi sağlayan, tam olarak yönetilen bir hizmet.
- Derin Grafik Kitaplığı (DGL): bir açık kaynakgrafiklerde DL için , yüksek performanslı ve ölçeklenebilir Python paketi. Grafik Sinir Ağlarını eğitmek için hızlı ve bellek açısından verimli mesaj geçiş ilkelleri sağlar. Neptune ML, iş yükünüz için en iyi ML modelini otomatik olarak seçmek ve eğitmek için DGL'yi kullanır. Bu, grafik verileri üzerinde haftalar yerine saatler içinde makine öğrenimi tabanlı tahminler yapmanızı sağlar.
Neptune ML'ye başlamanın en kolay yolu, AWS CloudFormation hızlı başlangıç şablonu. Şablon, bir Neptune DB kümesi dahil gerekli tüm bileşenleri yükler ve ağ yapılandırmalarını, IAM rollerini ve Neptune ML için önceden doldurulmuş not defteri örnekleriyle ilişkili SageMaker not defteri eşgörünümünü kurar.
Aşağıdaki şekil, Neptune ML'nin GNN tabanlı bir öneri sistemi eğitmesi için farklı adımları göstermektedir. Her adımı yakınlaştıralım ve neleri içerdiğini keşfedelim:
-
Veri dışa aktarma yapılandırması
Neptune ML sürecimizdeki ilk adım, grafik verilerini Neptune kümesinden dışa aktarmaktır. Veri dışa aktarma görevi için parametreleri ve model yapılandırmasını belirtmeliyiz. Tüm konfigürasyonlar ve övgüler için Neptune workbench'i kullanıyoruz. Workbench, Amazon SageMaker tarafından barındırılan Jupyter not defterlerini kullanarak Neptune DB kümesiyle çalışmamıza olanak tanır. Ek olarak, not defterlerinde büyük ölçüde zaman ve emek tasarrufu sağlayan bir dizi sihirli komut sağlar. İşte dışa aktarma parametreleri örneğimiz:
In export_params
, Neptune kümesi ve çıktısı gibi temel kurulumu yapılandırmalıyız Amazon Basit Depolama Hizmeti (S3) dışa aktarılan veri depolama yolu. içinde belirtilen yapılandırma additionalParams
gerçekleştirilecek makine öğrenimi görevi türüdür. Bu örnekte, bağlantı tahmini, isteğe bağlı olarak belirli bir kenar tipini (Kullanıcı—ARKADAŞ—Kullanıcı) tahmin etmek için kullanılır. Herhangi bir hedef türü belirtilmezse Neptune ML, görevin Bağlantı Tahmini olduğunu varsayar. Parametreler ayrıca grafiğimizde depolanan verilerle ilgili ayrıntıları ve ML modelinin bu verileri nasıl yorumlayacağını belirtir (düğüm olarak "Kullanıcı" ve düğüm özelliği olarak "ilgi alanları" var).
Makine öğrenimi oluşturma sürecindeki her adımı çalıştırmak için Neptune workbench komutlarını kullanmanız yeterlidir. bu Neptün tezgahı Bu adımları yönetirken size çok zaman kazandırabilecek bir çizgi büyüsü ve bir hücre büyüsü içerir. Veri dışa aktarımını çalıştırmak için Neptune workbench komutunu kullanın: %neptune_ml export start
Dışa aktarma işi tamamlandığında, Neptune grafiğinin CSV biçiminde dışa aktarılmasını ve bir S3 klasöründe saklanmasını sağlayacağız. İki tür dosya olacaktır: nodes.csv
ve edges.csv
. adlı bir dosya training-data-configuration.json
Neptune ML'nin model eğitimi gerçekleştirmesi için gereken yapılandırmaya sahip olan da üretilecektir.
Yerimizi Neptune ML için Neptune'den veri dışa aktarma daha fazla bilgi için.
-
Veri ön işleme
Neptune ML, veri işleme adımlarının bir parçası olarak özellik çıkarma ve kodlama gerçekleştirir. Yaygın özellik ön işleme türleri şunları içerir: tek etkin kodlama yoluyla kategorik özellikleri kodlama, sayısal özellikleri gruplama veya bir dize özelliğini veya diğer serbest biçimli metin özellik değerlerini kodlamak için word2vec'i kullanma.
Örneğimizde, sadece "ilgi alanları" özelliğini kullanacağız. Neptune ML, değerleri çok kategorili olarak kodlar. Ancak, kategorik bir değer karmaşıksa (düğüm başına üç kelimeden fazla), bu durumda Neptune ML, özellik türünün metin olduğu sonucuna varır ve text_word2vec kodlamasını kullanır.
Veri ön işlemeyi çalıştırmak için aşağıdaki Neptune notebook sihirli komutunu kullanın: %neptune_ml dataprocessing start
Bu adımın sonunda, model eğitim adımı tarafından kullanılmak üzere dışa aktarılan veri setinden bir DGL grafiği oluşturulur. Neptune ML, içinde tanımlanan Hiperparametre Optimizasyon Ayarlama işleriyle modeli otomatik olarak ayarlar. training-data-configuration.json
. Parti boyutu, num-hidden, num-epochs, dropout, vb. gibi modelin hiperparametrelerini ayarlamak için bu dosyayı indirebilir ve değiştirebiliriz. örnek configuration.json dosyası.
Yerimizi Eğitim için Neptune'den dışa aktarılan grafik verilerinin işlenmesi daha fazla bilgi için.
-
Model eğitimi
Bir sonraki adım, GNN modelinin otomatik eğitimidir. Model eğitimi iki aşamada yapılır. İlk aşamada, bir model eğitim stratejisi oluşturmak için bir SageMaker İşleme işi kullanılır. Bu, model eğitimi için ne tür model ve model hiperparametre aralıklarının kullanılacağını belirten bir yapılandırma setidir.
Ardından, bir SageMaker hiperparametre ayarlama işi başlatılacaktır. bu SageMaker Hyperparameter Tuning Optimization işi işlenen veriler üzerinde önceden belirlenmiş sayıda model eğitimi iş denemesi çalıştırır, duruma göre farklı hiperparametre kombinasyonları dener. model-hpo-configuration.json
dosyasına dönüştürür ve eğitim tarafından oluşturulan model yapıtlarını çıkış Amazon S3 konumunda depolar.
Eğitim adımını başlatmak için, %neptune_ml training start
Komut.
Tüm eğitim işleri tamamlandıktan sonra, Hiperparametre ayarlama işi, çıkarım için kullanılacak en iyi performans gösteren modelden yapıtları kurtaracaktır.
Eğitimin sonunda Neptune ML, SageMaker'a eğitilen modeli, düğümler ve kenarlar için hesaplanan ham yerleştirmeleri ve yerleştirmeler ile düğüm indeksleri arasındaki eşleme bilgilerini kaydetme talimatı verecektir.
Yerimizi Neptune ML kullanarak model eğitimi daha fazla bilgi için.
-
Amazon SageMaker'da bir çıkarım uç noktası oluşturun
Artık grafik temsili öğrenildiğine göre, çıkarım isteklerini gerçekleştirmek için öğrenilen modeli bir uç noktanın arkasına yerleştirebiliriz. Model girdisi, Edge türüyle birlikte arkadaş önerileri oluşturmamız gereken Kullanıcı olacak ve çıktı, bu kullanıcı için olası önerilen arkadaşların listesi olacaktır.
Modeli SageMaker uç nokta örneğine dağıtmak için %neptune_ml endpoint create
Komut.
-
Gremlin kullanarak ML modelini sorgulayın
Uç nokta hazır olduğunda, onu grafik çıkarım sorguları için kullanabiliriz. Neptune ML, Gremlin veya SPARQL'de grafik çıkarım sorgularını destekler. Örneğimizde, artık Neptune ML ile "Henry" Kullanıcısının arkadaş tavsiyesini kontrol edebiliriz. Kenarı geçmek için neredeyse aynı sözdizimini gerektirir ve ARKADAŞ bağlantısı aracılığıyla Henry'ye bağlı diğer Kullanıcıları listeler.
Neptune#ml.prediction
sosyal grafik üzerinde az önce eğittiğimiz modeli kullanarak Neptune ML tahminleriyle belirlenen bağlantıyı döndürür. Fatura beklediğimiz gibi geri döndü.
İşte Henry ile bağlantı kurma olasılığı en yüksek olan ilk sekiz kullanıcıyı tahmin etmek için kullanılan başka bir örnek tahmin sorgusu:
Sonuçlar, daha güçlü bağlantıdan daha zayıfa doğru sıralanır; burada bağlantı Henry — FRIEND — Colin and Henry — FRIEND — Terry
da önerilmiştir. Bu önerme, grafik üzerindeki karmaşık etkileşim kalıplarının keşfedilebildiği grafik tabanlı makine öğrenimi yoluyla sağlanır.
Yerimizi Neptune ML'de Gremlin çıkarım sorguları daha fazla bilgi için.
Grafik verileri değiştiğinde model dönüşümü veya yeniden eğitim
Sorabileceğiniz başka bir soru da şudur: Ya sosyal ağım değişirse ya da yeni eklenen kullanıcılar için önerilerde bulunmak istersem? Sürekli değişen grafiklerin olduğu bu senaryolarda, makine öğrenimi tahminlerini en yeni grafik verileriyle güncellemeniz gerekebilir. Eğitimden sonra oluşturulan model yapıları doğrudan eğitim grafiğine bağlıdır. Bu, orijinal eğitim grafiğindeki varlıklar değiştiğinde çıkarım uç noktasının güncellenmesi gerektiği anlamına gelir.
Ancak, güncellenmiş grafik üzerinde tahminlerde bulunmak için tüm modeli yeniden eğitmenize gerek yoktur. Artımlı bir model çıkarım iş akışıyla, yalnızca Neptune DB verilerini dışa aktarmanız, artımlı bir veri ön işlemesi gerçekleştirmeniz, bir model toplu dönüştürme işi çalıştırmanız ve ardından çıkarım uç noktasını güncellemeniz yeterlidir. Model dönüştürme adımı, eğitilmiş modeli ana iş akışından ve artımlı veri ön işleme adımının sonuçlarını girdi olarak alır. Ardından, çıkarım için kullanılacak yeni bir model yapıtı çıkarır. Bu yeni model yapısı, güncel grafik verilerinden oluşturulmuştur.
Buradaki özel bir odak, model-dönüştürme adımı komutu içindir. Model eğitimi için kullanılmayan grafik verileri üzerindeki model yapılarını hesaplayabilir. Düğüm yerleştirmeleri yeniden hesaplanır ve mevcut tüm düğüm yerleştirmeleri geçersiz kılınır. Neptune ML, önceki eğitilmiş modelden öğrenilen GNN kodlayıcıyı, yeni özellikleriyle yeni grafik veri düğümlerine uygular. Bu nedenle, yeni grafik verileri aynı özellik kodlamaları kullanılarak işlenmeli ve orijinal grafik verileriyle aynı grafik şemasına uymalıdır. Daha fazla Neptune ML uygulama ayrıntısına şu adresten bakın: Yeni model yapıları oluşturma.
Ayrıca, grafik önemli ölçüde değişirse veya önceden eğitilen model artık altta yatan etkileşimleri doğru bir şekilde temsil edemiyorsa tüm modeli yeniden eğitebilirsiniz. Bu durumda öğrenilen model parametrelerinin yeni bir grafik üzerinde tekrar kullanılması benzer bir model performansını garanti edemez. Modelinizi yeni grafik üzerinde yeniden eğitmeniz gerekir. Hiperparametre aramasını hızlandırmak için Neptune ML, sıcak başlangıçla önceki model eğitim görevinden gelen bilgileri kullanabilir: önceki eğitim işlerinin sonuçları, yeni ayarlama işi üzerinde arama yapmak üzere hiperparametrelerin iyi kombinasyonlarını seçmek için kullanılır.
Yerimizi Gelişen grafik verilerini işlemek için iş akışları daha fazla ayrıntı için.
Sonuç
Bu gönderide, Neptune ML ve GNN'lerin, grafikteki karmaşık etkileşim modellerinden gelen bilgileri birleştirerek bir bağlantı tahmin görevi kullanarak grafik verileri üzerinde önerilerde bulunmanıza nasıl yardımcı olabileceğini gördünüz.
Bağlantı tahmini, grafik üzerinde bir öneri sistemi uygulamanın bir yoludur. Tavsiyenizi başka birçok şekilde oluşturabilirsiniz. Bağlantı tahmini eğitimi sırasında öğrenilen yerleştirmeleri, düğümleri denetimsiz bir şekilde farklı segmentlerde kümelemek ve aynı segmente ait olana öğeler önermek için kullanabilirsiniz. Ayrıca, yerleştirmeleri elde edebilir ve bunları bir girdi özelliği olarak aşağı yönlü benzerliğe dayalı bir öneri sistemine besleyebilirsiniz. Artık bu ek giriş özelliği, grafikten türetilen anlamsal bilgileri de kodlar ve sistemin genel kesinliğinde önemli iyileştirmeler sağlayabilir. adresini ziyaret ederek Amazon Neptune ML hakkında daha fazla bilgi edinin. Web sitesi veya yorumlarda soru sormaktan çekinmeyin!
Yazarlar Hakkında
Yanwei Cui, PhD, AWS'de Makine Öğrenimi Uzmanı Çözümler Mimarıdır. IRISA'da (Bilgisayar Bilimi ve Rastgele Sistemler Araştırma Enstitüsü) makine öğrenimi araştırmasına başladı ve bilgisayarla görme, doğal dil işleme ve çevrimiçi kullanıcı davranışı tahmini alanlarında yapay zeka destekli endüstriyel uygulamalar oluşturma konusunda birkaç yıllık deneyime sahiptir. AWS'de alan uzmanlığını paylaşıyor ve müşterilerin iş potansiyellerini ortaya çıkarmalarına ve geniş ölçekte makine öğrenimi ile eyleme dönüştürülebilir sonuçlar elde etmelerine yardımcı oluyor. İş dışında kitap okumayı ve seyahat etmeyi sever.
Badr olacak küresel Amazon Makine Öğrenimi ekibinin bir parçası olarak çalışan bir Baş Yapay Zeka/ML Uzmanı YG'dir. Will, toplumu olumlu yönde etkilemek için teknolojiyi yenilikçi şekillerde kullanma konusunda tutkulu. Boş zamanlarında dalış yapmayı, futbol oynamayı ve Pasifik Adalarını keşfetmeyi seviyor.
- '
- "
- 100
- 2020
- 7
- Hakkımızda
- Göre
- Hesap
- ilave
- Ek
- algoritma
- algoritmalar
- Türkiye
- zaten
- Amazon
- Amazon Makine Öğrenimi
- Amazon Adaçayı Yapıcı
- Apache
- uygulamaları
- yapay
- yapay zeka
- Sanat
- Otomatik
- AWS
- AWS re: İcat
- Başlangıç
- İYİ
- Fatura
- Milyar
- Siyah
- inşa etmek
- bina
- iş
- durumlarda
- zorluklar
- sınıflandırma
- kod
- ortak
- topluluk
- karmaşık
- hesaplamak
- Bilgisayar Bilimleri
- Bilgisayar görüşü
- bilgisayar
- yapılandırma
- bağ
- Bağlantılar
- konsolos
- içerik
- yakınsamak
- olabilir
- Müşteriler
- veri
- veri bilimcisi
- veri saklama
- veritabanı
- anlaşma
- derin öğrenme
- Geliştirici
- farklı
- keşif
- mesafe
- e-ticaret
- kenar
- Son nokta
- Mühendislik
- Mühendisler
- vb
- örnek
- deneyim
- keşif
- ihracat
- çıkarma
- HIZLI
- Özellikler(Hazırlık aşamasında)
- Özellikler
- şekil
- Ad
- odak
- Airdrop Formu
- biçim
- iskelet
- Ücretsiz
- Dostluk
- işlev
- Games
- oluşturmak
- Küresel
- Tercih Etmenizin
- grafik sinir ağları
- harika
- kullanma
- yardım et
- yardımcı olur
- okuyun
- Ne kadar
- Nasıl Yapılır
- HTTPS
- IAM
- darbe
- uygulanması
- geliştirme
- Dahil olmak üzere
- Artırmak
- bireysel
- Sanayi
- bilgi
- yenilikçi
- İstihbarat
- etkileşim
- ilgi alanları
- IT
- İş
- Mesleki Öğretiler
- dil
- Diller
- ÖĞRENİN
- öğrendim
- öğrenme
- Kaldıraç
- Kütüphane
- çizgi
- LINK
- Liste
- Listeler
- yer
- bakıyor
- arama
- makine öğrenme
- Üyeler
- milisaniye
- ML
- model
- Music
- Doğal lisan
- Doğal Dil İşleme
- gerekli
- komşular
- ağ
- ağlar
- sinirsel
- sinir ağı
- nöral ağlar
- Yeni Özellikler
- düğümler
- dizüstü bilgisayarlar
- Online
- açık
- Diğer
- Pasifik
- kâğıt
- İnsanlar
- performans
- faz
- Platformlar
- OYNA
- Hassas
- tahmin
- Tahminler
- mevcut
- Anapara
- Sorun
- süreç
- Ürünler
- Profil
- desteklemek
- özellik
- önermek
- sağlamak
- sağlar
- satın alma
- Python
- soru
- menzil
- Çiğ
- işlenmemiş veri
- RE
- Okuma
- gerileme
- İlişkiler
- değiştirmek
- araştırma
- Sonuçlar
- yeniden eğitme
- İade
- koşmak
- sagemaker
- ölçek
- Bilim
- Ara
- set
- paylaş
- Paylar
- benzer
- Basit
- küçük
- Futbol
- Sosyal Medya
- sosyal grafik
- sosyal ağ
- sosyal ağlar
- Çözümler
- uzay
- Spor
- Aşama
- standartlar
- başlama
- başladı
- hafızası
- mağaza
- Stratejileri
- tamamlamak
- Destekler
- Anket
- sistem
- Sistemler
- Hedef
- Teknolojileri
- Teknoloji
- Grafik
- İçinden
- zaman
- üst
- Eğitim
- Dönüştürmek
- Dönüşüm
- Güncelleme
- us
- kullanıcılar
- değer
- vizyonumuz
- Ne
- DSÖ
- geniş ölçüde
- Vikipedi
- olmadan
- sözler
- İş
- iş akışı
- çalışır
- olur
- yıl
- yakınlaştırma