SimpleRelEmbeddingModel

class graphdatascience.model.simple_rel_embedding_model.SimpleRelEmbeddingModel

一个类，其实例代表一个模型，用于根据知识图谱样式指标计算和排序节点之间的成对距离。它还可以根据这些排名生成新的关系。

graph_name() → str

获取模型所基于的图的名称

返回:

模型所基于的图的名称

node_embedding_property() → str

获取图中存储嵌入的节点属性的名称

返回:

图中存储嵌入的节点属性的名称

predict_mutate(source_node_filter: int | list[int] | str, target_node_filter: int | list[int] | str, relationship_type: str, top_k: int, mutate_relationship_type: str, mutate_property: str, **general_config: Any) → Series[Any]

计算关系嵌入并以新的关系类型将其添加到图投影中

参数:

• source_node_filter – 要考虑的源节点的规范

• target_node_filter – 要考虑的目标节点的规范

• relationship_type – 将在计算中使用的关系类型的名称

• top_k – 为每个源节点添加多少个关系

• mutate_relationship_type – 预测关系的新关系类型的名称

• mutate_property – 新关系上将存储模型预测分数属性的名称

• general_config – 一般算法关键字参数，例如“concurrency”

返回:

一个包含执行计算和突变元数据的 pandas.Series 对象

predict_stream(source_node_filter: int | list[int] | str, target_node_filter: int | list[int] | str, relationship_type: str, top_k: int, **general_config: Any) → DataFrame

计算并流式传输关系嵌入

参数:

• source_node_filter – 要考虑的源节点的规范

• target_node_filter – 要考虑的目标节点的规范

• relationship_type – 将在计算中使用的关系类型的名称

• top_k – 为每个源节点返回多少个目标节点

• general_config – 一般算法关键字参数，例如“concurrency”

返回:

每个源节点的 top_k 个得分最高的目标节点，以及节点对的得分

predict_write(source_node_filter: int | list[int] | str, target_node_filter: int | list[int] | str, relationship_type: str, top_k: int, write_relationship_type: str, write_property: str, **general_config: Any) → Series[Any]

计算关系嵌入并以新的关系类型将其写入数据库

参数:

• source_node_filter – 要考虑的源节点的规范

• target_node_filter – 要考虑的目标节点的规范

• relationship_type – 将在计算中使用的关系类型的名称

• top_k – 为每个源节点添加多少个关系

• write_relationship_type – 预测关系的新关系类型的名称

• write_property – 新关系上将存储模型预测分数属性的名称

• general_config – 一般算法关键字参数，例如“concurrency”

返回:

一个包含执行计算和回写元数据的 pandas.Series 对象

relationship_type_embeddings() → dict[str, list[float]]

获取模型的关系类型嵌入

返回:

模型的关​​系类型嵌入

scoring_function() → str

获取模型正在使用的评分函数的名称

返回:

模型正在使用的评分函数的名称