Neo4j新發布監督式機器學習工作流

neo4j新發布監督式機器學習工作流

就在幾個月前，我們宣布了在neo4j資料庫中具有圖嵌入和ml模型目錄的、基於圖的機器學習。對於大多數人（當然也包括我們）來說，將最先進的機器學習應用於圖非常令人興奮，我們也為社群部署的既有創意又豐富的應用感到特別振奮。

今天，我們宣布推出gds 1.5版本，該版本將為您帶來更多您喜歡的功能：新演算法、更多的機器學習功能以及更簡易高效的生產環境部署！

在最新版的neo4j圖資料科學（gds）庫中，我們提供了許多功能，同時也對部分功能進行了公升級，包括兩種新演算法和針對最受歡迎的演算法的效能提公升，以及針對大型圖資料的、優化的記憶體格式以減少記憶體消耗。

在此版本中，我們非常高興為您帶來ml工作流，以監督式的機器學習來**節點標籤和缺失的關係，以及用來在生產環境中實現更好協作。

使用gds v1.5，您可以建立端到端的模型構建管道，以利用高階ml技術並不斷更新圖形，所有這些在neo4j資料庫中就可以實現！

neo4j中的受監督的ml工作流

讓我們逐步介紹一下neo4j現在可以實現的工作流：結合圖演算法和圖嵌入進行高質量的特徵工程、訓練監督的ml模型以「填補」缺失的節點標籤或空白的關係，然後儲存您的模型並與您的團隊共享。

圖原生特徵工程

一旦將資料匯入neo4j，您要做的第一件事就是使用圖演算法和圖嵌入來探索資料，識別趨勢和異常值，並生成可用於您的**模型的高質量特徵。在最新版本中我們引入了圖嵌入，當您不確定所要尋找的確切內容時可以使用圖嵌入。

在使用演算法結果豐富了圖形之後（例如中心度或社群成員身份），或者使用嵌入生成了ml形式，接下來就該訓練模型了！

在neo4j中訓練**模型！

對圖型進行**是做圖資料科學的主要動機之一：圖演算法通過生成包含豐富資訊的特徵來幫助您做出更好的**，而**模型則可以通過**缺失的節點標籤、屬性，或**缺失、不可觀察的關係來豐富您的圖資料。

借助neo4j 1.5版本，我們使您可以在neo4j中訓練監督、**性的模型，從而進行節點分類和鏈結**。

這是如何實現的？

舉個例子，假設您有乙個零售交易圖：客戶及其購買的物品和服務。您可以使用節點分類來**哪些客戶最有可能成為回頭客或者選擇不再使用您的服務。還有，您可以使用鏈結**來**客戶與他們將來會購買的商品之間的新關係並給予推薦。

通過允許使用者在neo4j內訓練和應用模型，現在可以提煉新的事實並持續不斷的增強您的圖。

在neo4j中固化和共享ml模型

現在，還可以將某些ml模型固化在neo4j中，以便將它們儲存在資料庫中，並在重新啟動後載入，在團隊之間共享模型。

訓練模型後，您可以在模型目錄中看到它們，該目錄列出了每個可用模型，並提供了有關模型型別、配置資料和特定於模型的詳細資訊（元資料）。

訓練完所需的模型並希望保留之後，gds enterprise edition使用者可以儲存模型，將它們儲存到磁碟上，在資料庫重新啟動後可用。您還可以載入和使用任何現有的儲存模型（無需重新訓練）。

使用者還可以發布他們的模型，並與團隊成員共享，因此任何使用相同資料庫應用場景的同事都可以將這些模型應用於他們的資料。

使用gds 1.5，您可以在neo4j資料庫中訓練節點分類或鏈結**模型，對其進行固化、管理、儲存並與您使用圖原生定製**的團隊進行共享。

結束語

到目前為止，只有少數幾家領先的大科技公司有資源和能力來利用基於圖的高階ml技術。 neo4j的graph data science是第乙個也是唯一乙個商用的企業級圖原生ml產品。