知识库

图分析入门

总的来说，图在处理关系至关重要的问题时非常强大。在这种背景下，使用图查询 (Cypher) 使我们能够在知道要寻找什么时回答具体问题，例如：

  • 通过使用交易数据查找欺诈者和受害者，

  • 然后进一步将这种关系扩展到相关的产品目录以提出建议，

  • 并从那里将其与流程流集成，以形成其数字孪生以及供应链信息。

因此，通过定义上述领域之间的关系，我们可以为诸如客户360、欺诈检测、产品推荐、数字孪生、供应链等用例增加巨大价值。

话虽如此，除了具体的定向查询之外，如果我们想深入分析此类数据以回答一般性问题，例如查找社区或找出通常重要的数据，该怎么办？

对于此类用例，图数据科学库 (GDS) 就派上用场了，因为它提供了许多有用的算法，使我们能够及时完成一些复杂的事情。

无监督算法

例如，如果您想了解什么很重要？那么，GDS 拥有 50 多种（无监督学习）算法，可以为您提供各种示例查询的答案，如下所示：

  • 哪些节点最重要？

  • 哪些节点聚集在一起？

  • 哪些节点最相似？

  • 哪些节点最不寻常？

或者

  • 聚类在哪里？

  • 我的图的哪些部分彼此连接更紧密？

  • 哪些部分可能连接在一起？

  • 哪些模式很常见？

  • 通过嵌入寻找关联和低维表示。

总的来说，无监督 GDS 算法使我们能够发现诸如以下模式：

  • 中心性计算 — 查找网络中对图至关重要且位于中心的实体，

  • 相似性算法 — 实体之间的相似性（基于属性和连接）

  • 路径寻找算法 — 到某物的最短路径

  • 社区检测算法 — 存在哪些社区

  • 启发式链接预测 - 基于一组规则预测关系

监督算法与机器学习

通常情况下，您希望利用图数据根据过去的数据对未来进行预测，例如打标签（即潜在欺诈者）或推荐（即流失客户）。

在这种情况下，您可以使用图嵌入来创建图的数值/表格表示，然后将其输入到机器学习模型中，从而简化此类任务。更重要的是，我们可以进一步利用特征提取算法来丰富训练数据（以及模型），从而持续提高我们预测的准确性。

最终，来自数据库内图数据的嵌入式训练数据具有优势，即数据无需从外部源移动，并且此类任务可以更快、更轻松地完成。

© . All rights reserved.