Neo4j анонсирует платформу машинного обучения Graph

Neo4j анонсировала фреймворк машинного обучения на основе графов, который, по словам разработчиков, делает более доступными передовые методы машинного обучения на основе графов.

Фреймворк включен в последнюю версию Neo4j и состоит из алгоритмов встраивания графов, которые изучают структуру ваших графиков, а не полагаются на заранее определенные формулы для вычисления конкретных функций, таких как оценки центральности.

База данных Neo4j — одна из самых популярных графовых баз данных. Он хранит данные и отношения в графических структурах и обладает высокой масштабируемостью. Разработчики могут создавать интеллектуальные приложения, которые просматривают большие взаимосвязанные наборы данных в режиме реального времени. Он имеет собственный механизм хранения и обработки графов и графический язык запросов.

Новое дополнение вычисляет форму окружающей сети для каждого фрагмента данных внутри графа, что позволяет делать более точные прогнозы машинного обучения. Разработчики говорят, что способность изучать обобщенные прогнозные функции на основе данных важна, потому что организации не всегда знают, как представить связанные данные для использования в моделях машинного обучения.

Алгоритмы встраивания графа отбирают топологию и свойства графа, а затем уменьшают его сложность до только тех важных функций для дальнейшего машинного обучения. Алгоритмы также могут устранять плато, абстрагируя структуру графа с использованием его топологии и свойств, поэтому могут прогнозировать результаты на основе связей между точками данных, а не только на необработанных данных.

Разработчики говорят, что структура ускоряет разработку функций для данных, поскольку ограничивающие алгоритмы используются для тестирования, когда функции прогнозирования неоднозначны, и с использованием высокопроизводительных методов, таких как FastRP.

После того, как алгоритмы изучили модель, изученные функции могут быть сохранены в GraphSage, а затем применены к новым данным для новых внедрений и прогнозов — без необходимости повторного обучения вашей модели. Вы также можете добавлять текущие результаты оценки и классификации, а также прогнозировать недостающую информацию для лучшего понимания.

Neo4j для Graph Data Science версии 1.4 включает три новых варианта встраивания графов, которые изучают топологию графов для расчета более точных представлений. Node2Vec — хорошо известный алгоритм встраивания графов, использующий нейронные сети; FastRP — это граф, встраиваемый в 75 000 раз быстрее, чем node2Vec, при этом обеспечивая эквивалентную точность и хорошее масштабирование даже для очень больших графов; и GraphSAGE — это алгоритм и процесс встраивания для обучения индуктивному представлению на графах, который использует сверточные нейронные сети графов и может применяться непрерывно по мере обновления графа.

В новой версии Neo4j для науки о данных о графах также добавлены общие алгоритмы машинного обучения, такие как алгоритм k-ближайших соседей (k-NN), обычно используемый для классификации на основе шаблонов, чтобы упростить получение информации из встраивания графов.