(本文部分内容来自Neo4j.com: https://neo4j.com/blog/announcing-graph-native-machine-learning-in-neo4j/ )
作为全球领先的图数据库平台软件开发者，Neo4j率先发布全球第一个“原生图机器学习库” GDS ：Graph Data Science 版本1.4。在这一版本中，除了增加更多图算法外，还第一次引入并实现了面向“图学习”（Graph Machine Learning）的企业级“图嵌入”（Graph Embedding）和图表示的机器学习模型算法过程。下面我们来逐一看一下GDS中到底有哪些“干货”吧。
1、原生（Native）属性图（Label PropertyGraph）
现实世界可以用属性图（Property Graph），即包含节点、边和属性的图结构来描述和存储。例如，在一个社交网络中，人、地方、活动等可以用节点来表示，人群之间的关系诸如亲属、朋友、同事等则可以用关系来表示；代表“人”的节点的属性则可以是姓名、出生年月、性别等，代表“朋友”的关系的属性则可以有“成为朋友的日期”等。
从上面的简单例子可以看出，以属性图表示复杂的网络其最大的优点是自然、简洁、易于理解；而基于原生(Native)图数据库存储和处理网络则能为图的遍历提供最佳的查询性能。在原生的图数据库中，数据以图的方式存储、查询、展现。下图对不同的存储模式做了比较。
关于图的模式，还有另外一种流行的标准是RDF（Resource Description Framework - 资源描述框架），这个是W3C制订的标准，使用三元组（可以简单地理解为主-谓-宾）表示和存储数据，在语义网络（Semantic Web）、本体建模和知识表示中有着广泛的应用。
2、图嵌入（Graph Embedding）
属性图是一种结构化数据（节点-关系-属性），然而现有的机器学习算法过程（例如神经元网络）需要向量化数据（例如一个1x5的向量(1,1,0,0,1) ）作为输入。直白地说，就是需要把下面的一个社交网络（来自著名的Karate Graph）转换成右边的二维坐标平面中分布的点。这个转换过程就是“图嵌入”。
我们再用数学的术语来描述一下上面的过程。真实的图（网络）往往是高维、难以处理的；图嵌入算法的发明，作为降维技术的一部分将图的节点嵌入到一个D维向量空间中，从而方便机器学习算法实现诸如分类的操作。好的图嵌入过程会将连接的（或者类似的）节点在D维空间中集聚在一起；而没有连接、或者差异很大的节点则分布很远。
Neo4j GDS提供了三种流行的图嵌入算法过程：
提供了三个嵌入选项，这些选项可学习图拓扑以及在某些情况下的节点属性，以计算更准确的表示形式：
1）Node2Vec：
- 这可能是最著名的图嵌入算法。它使用随机游走对图进行采样，并使用神经网络学习每个节点的最佳表示。
2）FastRP：
- 最新的图嵌入算法，使用线性代数将图投影到较低维空间中。在GDS 1.4中，我们扩展了之前版本的实现以支持节点特征和关系的方向。
- FastRP比Node2Vec快7万5千倍，而且计算结果同样准确！
3）GraphSAGE：
- 这是一种通过图卷积神经网络（Graph Convolutional Neural Network）在图上使用归纳表示学习的嵌入技术，其中对图进行采样以学习可以预测嵌入的函数（而不是直接学习嵌入）。这意味着可以只学习图的一部分（子图），然后通过表示函数来获取新数据、并在图更新时进行连续预测（而不是在每次图中节点或者边有更新后不得不对全图进行学习！）
下表是三种算法的比较：
3、机器学习模型目录（ML Model Catalogue）
GraphSAGE通过训练模型以预测图中未知的部分、或者新的数据。
为了真正利用GraphSAGE的功能，需要提供模型目录功能以存储和引用各个预测模型。在Neo4j中，这些模型目录保存在“分析工作区”中，目录中其中包含模型版本信息、对哪些数据进行了训练、时间戳以及模型名称。
如果要使用某个模型时，可以将模型的名称、以及想要应用的命名子图作为参数提供给GraphSAGE。
4、GDS中的图算法
除了图嵌入，GDS中还提供5大类、近50种重要的图算法。
5、从图查询到图学习 - Neo4j GDS的未来
Neo4j认为，图最初的用途是解决查询的效率，在建立了诸如知识图谱的应用后，可以极高的效率和响应时间对大规模的图（包含节点和关系）进行查询。图嵌入的学习和表示是图数据科学的后续阶段，而最终的目标是实现原生的图学习网络。
GDS可以运行在Neo4j流行的开源社区版，同时自身也是开源的。社区成员可以从这里下载GDS的源代码：https://github.com/neo4j/graph-data-science
我们会在后续文章中深入介绍GDS的过程和应用，请继续关注。