Neo4j改进了其图数据库的机器学习兼容性

Graph数据库开发人员Neo4j Inc.今天推出了适用于Graph Data Science 框架的Neo4j新版本，以增强其机器学习游戏，该框架利用深度学习和图卷积神经网络使图连接的数据更易于主流数据科学算法访问。

具体而言，版本1.4添加了图嵌入，该技术可为图中的每个数据元素计算周围网络的形状。图形数据库的独特之处在于它们能够使用节点，关系和键值对来表示复杂的关系，这些节点，关系和键值对使用唯一的标识符定义链接的数据项。可以遍历这些连接，以找到使用关系表很难或不可能发现的相关性，因为需要大量的连接。

但是，多维图关系无法清晰地映射到机器学习数据集中常见的低维向量。图形嵌入通过对图形的拓扑和属性进行采样以将其复杂性降低到仅用于进一步机器学习所需的重要功能，从而使其成为可能。

Neo4j Graph数据科学库的产品经理Alicia Frame表示：“图形嵌入可以学习图形的结构，从而提高您对图形的了解。” “它是从追踪指针到运行真正快速的查询的毕业。” 在不降低复杂度的情况下，一个50亿节点图的邻接矩阵必须具有50亿平方的元素。她说：“这将巨型图提炼成图中每个节点的计算机表示形式。”

这些增强功能大大增加了可以对图形运行的数据科学算法的范围，超出了4月份引入该库时所包含的基本集。它们是Neo4j更大目标的一部分，该目标旨在使图形数据库超越对原始数据的查询，从而基于连接来预测结果。

具体来说，该公司将添加三个新的嵌入选项。首先是Node2Vec，这是 一种流行的图形嵌入算法，它使用神经网络来学习节点的连续特征表示，然后可以将其用于下游机器学习任务。

FastRP(随机投影)是一种节点嵌入算法，Neo4j表示它以等效的精度和极高的规模比Node2Vec快75,000倍。尽管在功能上与Node2Vec等效，但Frame表示许多数据科学家可能会同时使用两者。

她说：“ ​​FastRP快如闪电，但需要更多工作来调整嵌入内容，以了解您想要的内容。” “许多客户将运行Node2Vec，直到获得对他们有意义的结果，然后转到FastRP大规模运行它们。”

GraphSage 是用于使用图卷积神经网络对图进行归纳表示学习的嵌入算法和过程。可以在图形更新时连续应用。

结果是“我们正在采用过去需要博士学位的技术。并使它们民主化，这样任何人都可以下载并拥有图形预测的功能。”拥有博士学位的Frame说道。“在此之前，我们将使用图形来存储数据以及Python中发生的机器学习。我们正在连接各个点。”