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

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

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

KnOD 2021

Beyond Facts: Online Discourse and Knowledge Graphs A preface to the proceedings of the 1st International Workshop on Knowledge Graphs for Online Discourse Analysis (KnOD 2021, co-located with TheWebConf’21) https://ceur-ws.org/Vol-2877/preface.pdf https://knod2021.wordpress.com/   ABSTRACT Expressing opinions and interacting with others on the Web has led to the production of an abundance of online discourse data, such as claims and viewpoints on controversial topics, their sources and contexts . This data constitutes a valuable source of insights for studies into misinformation spread, bias reinforcement, echo chambers or political agenda setting. While knowledge graphs promise to provide the key to a Web of structured information, they are mainly focused on facts without keeping track of the diversity, connection or temporal evolution of online discourse data. As opposed to facts, claims are inherently more complex. Their interpretation strongly depends on the context and a vari...
2 comentários
Leia mais