Pular para o conteúdo principal

TigerGraph - GSQL 101

GSQL 101:

This course provides the basics of programming in GSQL and enables you to create and use TigerGraph’s graph database and analytics solution.

Graph Schema -> https://youtu.be/him2Uy3Nn7Y

Definir o tipo dos nós e tipo das arestas. 

Tipo de nó pode ter um ID primário (chave), pode ter 0 ou mais atributos.

Tipo de aresta tem dois campos obrigatórios: origem e destino, pode ter 0 ou mais atributos, pode ser definido como simétrico (não direcionado) ou assimétrico

Criar o grafo com os tipos de nós e vértices definidos. 

O esquema é obrigatório ou opcional?

Carga de Dados -> https://youtu.be/IFfR3tQNhoA

Criar o job de carga para relacionar os arquivos e o esquema de grafo, definir qual é o separador e a ordem dos atributos nos arquivos

Executar o job

Graph Inspection Language -> https://youtu.be/akGOSEWMC8I

Contar nós de determinado tipo

Contar arestas de determinado tipo

Recuperar um nó específico pelo ID

Recuperar nós que atendam a um critério de atributo

Recuperar arestas que tenham origem em um determinado nó


Basic GSQL -> https://youtu.be/eK6f7qnylj0

Criar a query (como um procedimento armazenado) e como parâmetros

O FROM é o padrão do grafo (no SPARQL é o WHERE), o WHERE é só para filtro

Pode usar alias

CREATE, INSTALL, RUN

 Advanced GSQL (Accumulators) -> https://youtu.be/ysrm9OjVoqg

Atributos pode ser criado em tempo de percurso no grafo
Operadores de acumulação, Local ou Global, Números ou Booleanos (Visitado ou Não)
Exemplo de BFS com 2 hops

]

Deep Link Query in GSQL -> https://youtu.be/vpTFu43gXdQ

k-hop queries, loop 






 

Marcadores:

Comentários

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...
Postar um comentário
Leia mais

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...
3 comentários
Leia mais

Knowledge graphs: Introduction, history, and perspectives - Leitura de Artigo

Chaudhri, V. K., C. Baru, N. Chittar, X. L. Dong, M. Genesereth, J. Hendler, A. Kalyanpur, D. Lenat, J. Sequeda, D. Vrandečić, and K.Wang 2022. “ Knowledge graphs: Introduction, history, and perspectives. ” AI Magazine 43: 17–29. https://doi.org/10.1002/aaai.12033 Knowledge graphs (KGs) have emerged as a compelling abstraction for organizing the world’s structured knowledge and for integrating information extracted from multiple data sources. KNOWLEDGE GRAPH DEFINITION A KG is a directed labeled graph in which domain-specific meanings are associated with nodes and edges. [ Definição focado no COMO representar, diferente dos KBs ] There are multiple approaches for associating meanings with the nodes and edges. At the simplest level, the meanings could be stated as documentation strings expressed in a human understandable language such as English. At a computational level, the meanings can be expressed in a formal specification language such as first-order logic. An active area of curren...
Postar um comentário
Leia mais