模型过程

Neo4j 图数据科学 Python 客户端 API 中所有模型过程的列表。这些都假设 GraphDataScience 的对象作为 gds 可用。

自版本 2.5.0 起已弃用： 自 GDS 服务器版本 2.5.0 起，您应该使用端点 gds.backup()。

gds.alpha.backup(**config) → DataFrame

备份过程将图和模型持久化到磁盘

gds.alpha.model.delete(model: Model) → Series[Any]

从磁盘删除存储的模型。

gds.alpha.model.load(model_name: str) → Tuple[Model, Series[Any]]

将存储的模型加载到主内存中。

gds.alpha.model.publish(model: Model) → Model

使所有用户都可以访问训练好的模型。

gds.alpha.model.store(model: Model, failIfUnsupportedType: bool = True) → Series[Any]

将选定的模型存储到磁盘。

自版本 2.5.0 起已弃用： 自 GDS 服务器版本 2.5.0 起，您应该使用端点 gds.restore()。

gds.alpha.restore(**config: Any) → DataFrame

还原过程从磁盘读取图和模型。

gds.backup(**config) → DataFrame

备份过程将图和模型持久化到磁盘

gds.beta.model.drop(model: Model) → Series[Any]

删除加载的模型并释放其占用的资源。

gds.beta.model.exists(model_name: str) → Series[Any]

检查给定模型是否在模型目录中存在。

gds.beta.model.list(model: Model | None = None) → DataFrame

列出模型目录中包含的所有模型。

gds.model.get(model_name: str) → Model

从模型目录返回模型。

gds.restore(**config: Any) → DataFrame

还原过程从磁盘读取图和模型。

gds.model.delete(model: Model) → Series[Any]

从磁盘删除存储的模型。

gds.model.load(model_name: str) → Tuple[Model, Series[Any]]

将存储的模型加载到主内存中。

gds.model.publish(model: Model) → Model

使所有用户都可以访问训练好的模型。

gds.model.store(model: Model, failIfUnsupportedType: bool = True) → Series[Any]

将选定的模型存储到磁盘。

gds.model.drop(model: Model) → Series[Any]

删除加载的模型并释放其占用的资源。

gds.model.exists(model_name: str) → Series[Any]

检查给定模型是否在模型目录中存在。

gds.model.list(model: Model | None = None) → DataFrame

列出模型目录中包含的所有模型。

gds.model.transe.create(G: Graph, node_embedding_property: str, relationship_type_embeddings: Dict[str, List[float]) → SimpleRelEmbeddingModel

创建 TransE 关系嵌入模型

参数：

• G – 表示模型训练所用图的 Graph 对象

• node_embedding_property – 存储 TransE 嵌入的节点属性的名称

• relationship_type_embeddings – 一个字典，将关系类型名称映射到 TransE 模型的关系类型嵌入

返回值：

一个关系嵌入模型，可用于基于 TransE 度量预测新的节点对

gds.model.distmult.create(G: Graph, node_embedding_property: str, relationship_type_embeddings: Dict[str, List[float]) → SimpleRelEmbeddingModel

创建 DistMult 关系嵌入模型

参数：

• G – 表示模型训练所用图的 Graph 对象

• node_embedding_property – 存储 DistMult 嵌入的节点属性的名称

• relationship_type_embeddings – 一个字典，将关系类型名称映射到 DistMult 模型的关系类型嵌入

返回值：

一个关系嵌入模型，可用于基于 DistMult 度量预测新的节点对