应用已训练模型进行预测

穷举搜索将简单地遍历所有可能的新链接，也就是说，检查所有尚未通过关系连接的节点对。对于每个此类节点对，使用训练好的模型来预测它们是否应该通过链接连接。穷举搜索将找到所有最佳链接，但运行时间可能很长。

为了避免在考虑所有可能的新的链接时可能需要运行很长时间（由于节点计数固有的二次复杂度），GDS 提供了一种近似搜索策略。

近似搜索策略允许我们利用K-最近邻算法，并使用我们模型的预测函数作为其相似性度量，以牺牲较低的运行时间来换取准确性。在此上下文中，准确性是指结果与根据我们模型预测的最佳新可能链接有多接近，即穷举搜索将做出的最佳预测。

每个节点的初始考虑链接集是随机选择的，然后基于先前预测的链接在多个迭代中进行细化。有关搜索工作原理的更多详细信息，请参阅K-最近邻文档。

首先，我们将使用estimate过程估算运行算法的成本。这可以使用任何执行模式来完成。在本例中，我们将使用stream模式。估算算法有助于了解在图上运行算法的内存影响。当您稍后在其中一种执行模式下实际运行算法时，系统将执行估算。如果估算表明执行很有可能超出其内存限制，则会禁止执行。有关此内容的更多信息，请参阅自动估算和执行阻塞。

有关estimate的一般详细信息，请参阅内存估算。

在stream执行模式下，算法返回每个节点对的链接概率。这允许我们直接检查结果或在 Cypher 中对其进行后处理，而不会产生任何副作用。

有关stream模式的一般详细信息，请参阅流。

在本例中，我们将演示如何将预测写入您的投影图。我们将使用我们在训练示例中训练的模型lp-pipeline-model。

正如我们在samplingStats中看到的，我们使用了穷举搜索策略，并在预测过程中检查了 16 个可能的链接。实际上，由于图中总共有8 * (8 - 1) / 2 = 28个可能的链接，我们已经有了 12 个，这意味着我们检查了所有可能的新的链接。尽管考虑了 16 个链接，但我们只变异了最佳的五个（因为topN = 5）并且高于我们的阈值，实际上只有一个链接通过了阈值（请参阅流）。

如果我们的图非常大，可能会有很多新的潜在链接。因此，运行预测可能需要很长时间。因此，使用仅查看所有可能的新链接子集的搜索策略可能是一个更可行的选择。

为了避免可能需要花费很长时间来考虑所有可能的新链接，我们可以使用近似搜索策略。

正如我们在samplingStats中看到的，我们使用了近似搜索策略，并在预测期间检查了56个可能的链接。虽然在这个小例子中，我们实际上考虑的链接比穷举情况下更多，但在更大的图中通常不会这样。由于我们写入的关系是无向的，因此当我们搜索每个节点的最佳（topK = 1）预测时，报告的relationshipsWritten为16。

在使用上下文过滤器进行训练中，我们在fullGraph上训练了另一个模型lp-pipeline-model-filtered，该模型使用上下文City节点和上下文LIVES和BORN关系。

我们可以在预测中利用此模型，可以选择性地覆盖预测中的节点标签或关系类型过滤器配置。在本例中，我们没有这样做，而是继承了lp-pipeline-model-filtering模型的训练配置中的过滤配置。换句话说，我们预测Person-KNOWS-Person关系，此外还使用City节点和LIVES和BORN关系用于节点属性步骤。