Neo4j推出面向企业的图机器学习
Neo4j图数据科学1.4版本支持使用原生图机器学习方法
慕尼黑，2020年10月20日 – Neo4j®，图技术的领先供应商，宣布推出Neo4j图数据科学1.4版本。该框架的最新版本支持图嵌入，并允许企业结合深度学习和图卷积神经网络（CNN或ConvNet）使用基于图的机器学习方法。
图嵌入是图技术中的一种方法，用于抽象化复杂的图结构并降低其维度。它会计算图中每个数据元素周围的网络，以优化基于机器学习方法的预测。图嵌入算法可以捕捉图的结构，因此用户无需依赖预定义的公式/模板来计算特定的特征，例如中心性值。
图片说明：图嵌入用于抽象化复杂的图结构并降低其维度。这项技术为基于图的机器学习方法开辟了多种应用可能性。
除了谷歌和Facebook之外，目前只有少数企业使用图嵌入。Neo4j图数据科学1.4版本将这项创新技术提供给所有企业，以便进行预测性分析和预测——从欺诈检测到360度客户或患者视角，再到弥合知识图谱中的空白。因此，Neo4j图数据科学1.4版本提供了第一个也是唯一一个面向企业的原生图机器学习解决方案。
Neo4j图数据科学1.4版本包含三种新的图嵌入选项，通过读取图拓扑结构来提供更准确的表示
-
node2Vec是一种著名的使用神经网络的图嵌入算法。
-
FastRP的速度比node2Vec快75,000倍，同时保持相同的精度，并在大型图中具有很高的可扩展性。
-
GraphSAGE是一种图嵌入算法和方法，用于使用图卷积神经网络进行图结构的归纳学习表示。该算法会不断适应图的变化。
除了图嵌入之外，Neo4j for Graph Data Science 的新版本还包含通用机器学习算法，例如k 近邻算法 (k-NN)。该算法通常用于模式分类，以更轻松地捕获图嵌入获得的见解。它还可以根据不同数据点的相似性确定图结构。
其他优势
-
揭示数据中隐藏的见解：图嵌入算法通过识别数据中结构上的重要信息，从而获取所有传统图算法提供的更全面的信息。图嵌入会示例性地检查图的拓扑结构和属性，然后将其简化为重要的特征，以便用于后续的机器学习过程。
-
不仅仅是算法：结合图嵌入的图算法可以根据其拓扑结构和属性抽象图的结构。这样就可以根据数据点之间的连接（而不仅仅是基于原始数据）来预测结果。
-
更快的特征工程：FastRP 和广义学习无需在含糊的预测特征上测试不同的目标算法。
-
持续整合新数据和预测：GraphSage 学习到的特征存储在一个新的机器学习模型目录中，可以随时应用于新数据，而无需重新训练模型。
-
充分利用图数据库的价值：持续评估和分类以及预测性地发现缺失信息，从而持续优化洞察。
“我们非常自豪地推出 Neo4j for Graph Data Science，这是一款将最先进的图分析与高度用户友好性相结合的企业级解决方案，因此适用于企业广泛使用。现在，每个人都可以充分利用图机器学习方法来满足其应用需求。在预测分析方面，这是一个真正的里程碑。”Neo4j 的首席产品经理兼数据科学家 Alicia Frame 解释道。
有关 Neo4j for Graph Data Science 的更多信息，请访问Neo4j 网站。最新版本可供您下载。
您可以在全球 Neo4j 开发者博览会暨峰会NODES上详细了解 Neo4j for Graph Data Science 1.4 版本。来自 Neo4j Connections for Graph Data Science 在线活动的演讲和演示可在此处找到这里。
GOV.UK 基于图数据科学和 Neo4j 知识图谱实现了其第一个机器学习模型。
可下载的图片素材
图片说明：Neo4j for Graph Data Science 1.4 支持端到端图机器学习流程，例如填补知识图谱中的空白。
更多信息
关于 Neo4j
Neo4j 是领先的图技术提供商。全球使用最广泛的图数据库帮助像德国糖尿病研究中心 e.V、NASA、UBS 和戴姆勒等公司发现人、流程、地点和系统之间的关联，并做出数据驱动的预测。专注于数据关系使企业能够开发智能应用程序并克服互联数据的挑战，从分析和人工智能到欺诈检测和实时推荐，再到知识图谱。更多信息，请访问Neo4j.com 和@Neo4j。
Neo4j 媒体热线
pr@neo4j.com
neo4j.com/news/
媒体联系人：
Neo4j
Claudia Remlinger
Claudia.remlinger@neo4j.com
Lucy Turpin Communications
Sabine Listl / Jennifer Jurkovic
+49 89 417761—16/18
neo4j@LucyTurpin.com