typedb ml

Dieses Repository ist veraltet und nicht unterstützt. Wir werden dieses Repository bis Ende 2023 schließen.

---

Typedb-ml

Früher als Kglib bekannt.

Typedb-ML bietet Tools, mit denen Graph-Algorithmen und maschinelles Lernen mit TypedB aktiviert werden können.

Es gibt Integrationen für NetworkX und für Pytorch Geometric (PYG).

Mit NetworkX Integration können Sie eine große Bibliothek von Algorithmen über Grafikdaten verwenden, die von TypedB exportiert wurden.

In der PytOrch -Geometrischen (PYG) -Integration können Sie eine Toolbox zum Erstellen von Graph Neural Networks (GNNs) für Ihre TypedB -Daten erstellen, wobei ein Beispiel für die Verknüpfungsvorhersage (OR: Binärbeziehung Vorhersage in TypedB -Termen) enthalten ist. Die Struktur der GNNs ist vollständig anpassbar, wobei Netzwerkkomponenten für beliebte Themen wie die integrierte Grafikaufmerksamkeit und die integrierten Diagrammtransformatoren integriert werden.

Merkmale

NetworkX

• Deklarieren Sie die Grafikstruktur Ihrer Abfragen mit optionalen Stichprobenfunktionen.
• Fragen Sie eine Typedb -Instanz ab und kombinieren Sie viele Ergebnisse in vielen Abfragen in einem einzelnen Diagramm ( build_graph_from_queries ).

Pytorch Geometrisch

• Ein DataSet , mit dem Diagramme von einer Typedb -Instanz träge geladen werden können. Jedes Diagramm wird in ein PYG Data konvertiert.
• Es ist am natürlichsten, mit PYG HeteroData -Objekten zu arbeiten, da alle Daten in TypedB einen Typ haben. Die Konvertierung von Data in HeteroData ist in PYG verfügbar, verliert jedoch Informationen zu Knotenbestellungen. Um dies zu beheben, bietet typedb-ml store_concepts_by_type , um Konzepte zu speichern, die mit einem HeteroData Objekt übereinstimmen. Auf diese Weise können Konzepte nach Abschluss des Lernens ordnungsgemäß mit Vorhersagen neu zusammenhängen.
• Ein FeatureEncoder , um Encoder zu orchestrieren, um Funktionen für Grafiken zu generieren.
• Encoder für kontinuierliche und kategoriale Werte, um Codierungen/Einbettungsräume auf die in Typedb -Daten vorhandenen Typen und Attributwerte anzuwenden.
• Ein vollständiges Beispiel für die Verknüpfungsvorhersage

Andere

• Beispiel Verwendung von Tensorboard für Pyg HeteroData

Ressourcen

Möglicherweise finden Sie die folgenden Ressourcen nützlich, insbesondere um zu verstehen, warum typedb-ml begonnen hat:

• Stark typisierte Daten für maschinelles Lernen (YouTube, 2021)
• Wie können wir ein Wissensdiagramm vervollständigen? (YouTube, 2018)

QuickStart

Installieren

• Python> = 3.7.x

• Erhalten Sie die requirements.txt von hier und installieren Sie die Anforderungen mit pip install -r requirements.txt . Dies liegt an einigen Feinheiten, die die Abhängigkeiten von PYG installieren, siehe hier für Einzelheiten.

• Installed typedb-ml: pip install typedb-ml .

• Typedb 2.11.1 im Hintergrund.

• typedb-client-python 2.11.x (PYPI, GitHub-Freisetzung). Dies sollte automatisch installiert werden, wenn Sie pip install typedb-ml .

Führen Sie das Beispiel aus

Schauen Sie sich das pytorch geometrische heterogene Link-Vorhersage-Beispiel an, um zu sehen, wie typedb-ml verwendet wird, um ein GNN für TypedB-Daten zu erstellen.

Entwicklung

Um dem Entwicklungsgespräch zu folgen, schließen Sie sich dem Vaticle Discord an und schließen Sie sich dem #typedb-ml -Kanal an. Starten Sie alternativ ein neues Thema im Vaticle -Diskussionsforum.

TypedB-ML erfordert, dass Sie Ihre Daten in eine Typedb- oder Typedb-Cluster-Instanz migriert haben. Es gibt ein offizielles Beispiel für Repo, wie dies vorhanden ist, und Informationen zur Migration in den Dokumenten. Alternativ gibt es fantastische Projekte, die in der TypedB OSI von Community-geführten Projekten wachsen, um eine schnelle und einfache Datenbelastung zu erleichtern, z. B. TypedB-Lader.

Gebäude aus der Quelle

Es wird erwartet, dass Sie PIP zur Installation verwenden. Wenn Sie jedoch Ihre eigenen Änderungen an der Bibliothek vornehmen und in Ihr Projekt importieren müssen, können Sie wie folgt aus der Quelle erstellen:

Klon typedb-ml:

 git clone [email protected]:vaticle/typedb-ml.git

Gehen Sie in das Projektverzeichnis:

 cd typedb-ml

Bauen Sie alle Ziele auf:

 bazel build //...

Führen Sie alle Tests aus. Benötigt Python 3.7+ auf Ihrem PATH . Testabhängigkeiten sind für Linux, da dies die CI -Umgebung ist:

 bazel test //typedb_ml/... --test_output=streamed --spawn_strategy=standalone --action_env=PATH

Bauen Sie die PIP -Verteilung auf. Ausgänge zu bazel-bin :

 bazel build //:assemble-pip