跳至主要内容

Amazon Neptune

Amazon Neptune ML

简单、快速、准确的图形预测

概述

Amazon Neptune ML 是 Neptune 的一项新功能，使用专为图形打造的机器学习技术 – 图形神经网络 (GNN)，来利用图形数据轻松、快速且更准确地做出预测。与使用非图形方法进行预测相比，使用 Neptune ML，您可以将大多数图形预测的准确度提高 50% 以上。

对具有数十亿关系的图形做出准确预测可能非常困难且耗时。现有的 ML 方法（例如 XGBoost）无法在图形上有效运行，因为它们是专为表格数据设计的。因此，对图形使用这些方法可能会耗费时间，需要开发人员专业技能，而且预测结果也达不到理想状态。

Neptune ML 借助 Amazon Web Services 参与开发的开源库 Deep Graph Library（DGL），轻松将深度学习应用于图形数据，从而自动完成选择和训练最适用于图形数据的 ML 模型的繁重工作，并允许用户直接使用 Neptune API 和查询对图形运行机器学习。因此，您现在可以在数小时（而不是数周）内创建和训练 ML 模型并将其应用于 Amazon Neptune 数据，而无需学习新工具和 ML 技术。

优势

*Neptune ML 使用 GNN 进行预测，斯坦福大学发布的研究表明，该功能比非图形机器学习的准确度高 50％ 以上。

在没有 ML 专业知识的情况下对图形数据进行预测

Neptune ML 会自动创建和训练 ML 模型并将其应用于图形数据。它使用 DGL 自动选择并训练最适用于您的工作负载的 ML 模型，让您能够在数小时（而不是数周）内对图形数据进行基于 ML 的预测。

将大多数预测的准确度提高 50％ 以上*

Neptune ML 使用 GNN（一种适用于图形数据的先进 ML 技术），对图形中的数十亿种关系进行推理，使您能够做出更准确的预测。

*Neptune ML 使用 GNN 进行预测，斯坦福大学发布的研究表明，该功能比非图形机器学习的准确度高 50％ 以上。

使用案例

欺诈检测

公司由于欺诈损失了数百万（甚至数十亿）美元，希望通过检测欺诈用户、账户、设备、IP 地址或信用卡来最大限度减少损失。您可以使用基于图形的表示法来捕获实体（用户、设备或卡片）之间的交互并检测总体模式，例如当用户发起多笔小型交易或使用可能具有欺诈性的不同账户时。

身份解析

身份图谱根据客户和潜在客户跨一组设备和标识符与产品或网站的交互情况，提供客户和潜在客户的单一统一视图。组织使用身份图谱实时向数百万用户提供个性化体验，并向他们定位广告。Neptune ML 根据不同设备过去的搜索历史记录或客户在获取漏斗中所处的位置等特点，自动向特定客户推荐后续步骤或产品折扣。

知识图谱

知识图谱可以整合组织的信息资产，更便于所有组织成员使用。Neptune ML 可以推断数据源之间缺失的关联，识别类似实体，以便为所有人提供更好的知识探索体验。

产品推荐

传统推荐系统使用分析服务来手动推荐产品。Neptune ML 可以直接识别图形数据存在的新关系，并轻松推荐玩家可能想购买的游戏清单、其他玩家关注的游戏或要购买的产品。

工作原理

A diagram illustrating how Amazon Neptune ML works, including components such as Amazon Neptune (graph database service), Amazon SageMaker (for training and deploying Graph Neural Networks), Amazon S3 (for storing training data and models), and integration with custom ML models. Example use cases shown are product recommendation, fraud detection, and customer acquisition.

定价

不需要前期投资。您只需为使用的 Amazon Web Services 资源 [WP1] 付费，例如 Amazon SageMaker、Amazon Neptune 和 Amazon S3。

开始使用 Neptune ML

开始使用 Neptune ML 的最简单方法是使用预构建的 Amazon CloudFormation 快速入门模板。您还可以浏览 Neptune ML 笔记本，查看使用预构建 CloudFormation 堆栈查看 节点分类、 节点回归和 链接预测的端到端示例。
创建 Neptune ML 堆栈