1. プロパティ・グラフのグラフ開発者ガイド
  2. PGQLプロパティ・グラフ
  3. PGQLプロパティ・グラフを使用するためのクイック・スタート
  4. クイック・スタート: PGQLプロパティ・グラフでのグラフ機械学習の使用

11.3 クイック・スタート: PGQLプロパティ・グラフでのグラフ機械学習の使用

このチュートリアルは、PGQLプロパティ・グラフへのDeepWalk機械学習アルゴリズムの適用を開始するのに役立ちます。

この手順では、PGQLプロパティ・グラフがすでに現在のデータベースに存在していることを前提としています。
次のステップを実行して、DeepWalkモデルを構築して操作します。
  1. グラフ・サーバー(PGX)にPGQLプロパティ・グラフをロードします。 
    opg4j> var instance = GraphServer.getInstance("https://localhost:7007", "<username>", "<password>".toCharArray())
instance ==> ServerInstance[embedded=false,baseUrl=https://localhost:7007]
opg4j> var session=instance.createSession("mySession")
session ==> PgxSession[ID=5af9c362-10a3-4a7c-953c-602553d4606b,source=mySession]
opg4j> var graph = session.readGraphByName("BANK_GRAPH",GraphSource.PG_VIEW)
graph ==> PgxGraph[name=BANK_GRAPH,N=1000,E=4997,created=1684315831352]
    ServerInstance instance = GraphServer.getInstance("https://localhost:7007", "<username>", "<password>".toCharArray());
PgxSession session = instance.createSession("my-session");
PgxGraph graph = session.readGraphByName("BANK_GRAPH",GraphSource.PG_VIEW);
    >>> instance = graph_server.get_instance("https://localhost:7007","<username>","<password>")
>>> session = instance.create_session("my_session")
>>> graph = session.read_graph_by_name("BANK_GRAPH", "pg_view")
>>> graph
PgxGraph(name: BANK_GRAPH, v: 1000, e: 4997, directed: True, memory(Mb): 0)
  2. 次のようにカスタマイズされたハイパーパラメータを使用して、DeepWalkモデルを構築します。 
    opg4j> var model = session.createAnalyst().deepWalkModelBuilder().
...>                 setMinWordFrequency(1).
...>                 setBatchSize(512).
...>                 setNumEpochs(1).
...>                 setLayerSize(100).
...>                 setLearningRate(0.05).
...>                 setMinLearningRate(0.0001).
...>                 setWindowSize(3).
...>                 setWalksPerVertex(6).
...>                 setWalkLength(4).
...>                 setNegativeSample(2).
...>                 setValidationFraction(0.01).
...>                 build()
model ==> oracle.pgx.api.mllib.DeepWalkModel@6e0f259e
    import oracle.pgx.api.mllib.DeepWalkModel;
DeepWalkModel model= session.createAnalyst().deepWalkModelBuilder()
        .setMinWordFrequency(1)
        .setBatchSize(512)
        .setNumEpochs(1)
        .setLayerSize(100)
        .setLearningRate(0.05)
        .setMinLearningRate(0.0001)
        .setWindowSize(3)
        .setWalksPerVertex(6)
        .setWalkLength(4)
        .setNegativeSample(2)
        .setValidationFraction(0.01)
        .build();
    >>> model = session.create_analyst().deepwalk_builder(min_word_frequency= 1,
...                                 batch_size= 512,
...                                 num_epochs= 1,
...                                 layer_size= 100,
...                                 learning_rate= 0.05,
...                                 min_learning_rate= 0.0001,
...                                 window_size= 3,
...                                 walks_per_vertex= 6,
...                                 walk_length= 4,
...                                 negative_sample= 2,
...                                 validation_fraction= 0.01)
  3. 次のようにDeepWalkモデルをトレーニングします。 
    opg4j> model.fit(graph)
    model.fit(graph);
    >>> model.fit(graph)
  4. 次のようにloss値を取得します。 
    opg4j> var loss = model.getLoss()
loss ==> -2.097562355629634E-5
    double loss = model.getLoss();
    >>> loss = model.loss
>>> loss
-2.0706271243398078e-05
  5. 次のように類似頂点を計算します。 
    opg4j> var similars = model.computeSimilars("ACCOUNTS(280)",10)
batchSimilars ==> oracle.pgx.api.frames.internal.PgxFrameImpl@308e465b
opg4j> batchSimilars.print()
    import oracle.pgx.api.frames.*;

PgxFrame similars = model.computeSimilars("ACCOUNTS(280)", 10);
similars.print();
    >>> similars = model.compute_similars("ACCOUNTS(280)",10)
>>> similars.print()

    この例では、類似の出力が生成されます。

    +-------------------------------------+
| dstVertex     | similarity          |
+-------------------------------------+
| ACCOUNTS(280) | 1.0                 |
| ACCOUNTS(486) | 0.3253505229949951  |
| ACCOUNTS(615) | 0.2806776463985443  |
| ACCOUNTS(660) | 0.27348122000694275 |
| ACCOUNTS(737) | 0.2734076678752899  |
| ACCOUNTS(368) | 0.2707795202732086  |
| ACCOUNTS(479) | 0.27019545435905457 |
| ACCOUNTS(845) | 0.2618815004825592  |
| ACCOUNTS(834) | 0.2543807625770569  |
| ACCOUNTS(249) | 0.24260951578617096 |
+-------------------------------------+
  6. 次のようにトレーニング済のすべてのベクトルを取得し、データベース表に格納します。 
    opg4j> var vertexVectors = model.getTrainedVertexVectors().flattenAll()
vertexVectors ==> oracle.pgx.api.frames.internal.PgxFrameImpl@46cb9794
opg4j> vertexVectors.write().db().name("deepwalkframe").tablename("vertexVectors").overwrite(true).store()
    PgxFrame vertexVectors = model.getTrainedVertexVectors().flattenAll();
vertexVectors.write()
  .db()
  .name("vertex vectors")
  .tablename("vertexVectors")
  .overwrite(true)
  .store();
    >>> vertex_vectors = model.trained_vectors.flatten_all()
>>> vertex_vectors.write().db(). \
...         table_name("vertex_vectors"). \
...         overwrite(True). \
...         store()
  7. 次のように、トレーニング済モデルをデータベースに格納します。 
    opg4j> model.export().db().
...>   modelstore("bank_model").
...>   modelname("model").
...>   description("DeepWalk Model for Bank data").
...>   store()
    model.export().db()
  .modelstore("bank_model")  
  .modelname("model2")                 
  .description("DeepWalk Model for Bank data") 
  .store();
    >>> model.export().db(model_store="bank_model",
...                   model_name="model",
...                   model_description="DeepWalk Model for Bank data")
  8. 次のように、データベースから事前トレーニング済モデルをロードします。 
    opg4j> session.createAnalyst().loadDeepWalkModel().db().
...>   modelstore("bank_model").
...>   modelname("model").
...>   load()
    model = session.createAnalyst().loadDeepWalkModel().db()
  .modelstore("bank_model")
  .modelname("model")   
  .load();
    >>> model = session.create_analyst().get_deepwalk_model_loader().db(model_store="bank_model",
...                                        model_name="model")
  9. 次のようにモデルを破棄します。 
    opg4j> model.destroy()
    model.destroy();
    >>> model.destroy()
    サポートされている機械学習アルゴリズムの詳細は、グラフ用の機械学習ライブラリ(PgxML)の使用を参照してください。

親トピック: PGQLプロパティ・グラフを使用するためのクイック・スタート