SimpleRelEmbeddingModel

class graphdatascience.model.simple_rel_embedding_model.SimpleRelEmbeddingModel

一个类的实例，表示用于根据知识图谱风格度量计算和排序节点之间成对距离的模型。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

返回值:

模型所基于的图的名称

node_embedding_property() → str

获取存储图中嵌入的节点属性的名称

返回值:

存储图中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，并将其添加到新关系类型下的图投影中

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 – 将在计算中使用其嵌入的关系类型的名称

• 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 – 新关系上存储模型预测分数的属性的名称

• general_config – 通用算法关键字参数，例如“并发性”

返回值:

一个pandas.Series对象，其中包含有关执行的计算和变异的元数据

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

计算和流式传输关系嵌入

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 – 将在计算中使用其嵌入的关系类型的名称

• top_k – 为每个源节点返回多少个目标节点

• general_config – 通用算法关键字参数，例如“并发性”

返回值:

每个源节点的top_k个得分最高的节点，以及节点对的分数

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，并将其写入新关系类型下的数据库

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 – 将在计算中使用其嵌入的关系类型的名称

• 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 – 新关系上存储模型预测分数的属性的名称

• general_config – 通用算法关键字参数，例如“并发性”

返回值:

一个pandas.Series对象，其中包含有关执行的计算和写回的元数据

relationship_type_embeddings() → Dict[str, List[float]]

获取模型的关系类型嵌入

返回值:

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

返回值:

模型正在使用的评分函数的名称