Pular para o conteúdo principal

Webinar - TigerGraph Workshop: Zero to Advanced Analytics and Machine Learning in 90 minutes

fwrs-versant.tgcloud.io

https://info.tigergraph.com/hubfs/TigerGraph-Workshop-Instructions.pdf

https://colab.research.google.com/drive/1ZtIkpuGNtuCglnig9tTghXcoachIG6y4?usp=sharing

Gravação do WorkShop -> https://youtu.be/bjtAj5eC2SU

TigerGraph é LPG: vértices tipados conectados por arestas tipadas, ambos podem ter propriedades para descreveê-los


Exemplo de Esquema Detecção de Fraudes

- algumas arestas são direcionadas, outras não. 

- publicar o esquema a cada alteração (criar vértices, atributos ou arestas)

- local vertex para subgrafos (visões), não fazem parte do grafo global que são multigrafos

- o nome dos vértices é case sensitivy, os atributos podem ser indexados

Não consegui explorar os dados do Workshop pq o ID não do exemplo (8192) não recupera nada no grafo

Pedi um conjunto de nós de Usuários aleatórios mas ao solicitar o "find the connections" não achou nada, precisei selecionar mais tipos de vértices e aí sim encontrou os caminhos

A parte do collab do workshop não consegui seguir pq dá erro na conexão mas não informa qual é o problema .... "

NameError: name 'tg' is not defined

"

As queries precisam ser criadas antes de serem executadas: 

USE GRAPH AntiFraud CREATE OR REPLACE QUERY ....

*** PARA UM WORKSHOP DE 90 MINUTOS POUCA COISA FOI APROVEITADA MESMO PAUSANDO E VOLTANDO O VÍDEO ***

 

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

Knowledge Graph Embedding with Triple Context - Leitura de Abstract

  Jun Shi, Huan Gao, Guilin Qi, and Zhangquan Zhou. 2017. Knowledge Graph Embedding with Triple Context. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17). Association for Computing Machinery, New York, NY, USA, 2299–2302. https://doi.org/10.1145/3132847.3133119 ABSTRACT Knowledge graph embedding, which aims to represent entities and relations in vector spaces, has shown outstanding performance on a few knowledge graph completion tasks. Most existing methods are based on the assumption that a knowledge graph is a set of separate triples, ignoring rich graph features, i.e., structural information in the graph. In this paper, we take advantages of structures in knowledge graphs, especially local structures around a triple, which we refer to as triple context. We then propose a Triple-Context-based knowledge Embedding model (TCE). For each triple, two kinds of structure information are considered as its context in the graph; one is the out...
Postar um comentário
Leia mais