什么是圖數(shù)據(jù)庫，為什么要關(guān)心圖？

做出正確的商業(yè)決策需要了解任何一個行動或交易之間的關(guān)系，因為它們彼此相關(guān)。許多企業(yè)、數(shù)據(jù)分析公司和數(shù)據(jù)科學(xué)家正在尋找新的方法來探索連接和關(guān)系，看看我們的數(shù)據(jù)能給我們帶來什么額外的見解。

借助圖分析，我們認(rèn)識到，所有的數(shù)據(jù)其實都代表了現(xiàn)實世界中的一些東西，而現(xiàn)實世界中的幾乎所有東西都以某種方式聯(lián)系在一起。從關(guān)系中找到這些新的模式，可以用來為電子商務(wù)網(wǎng)站打造更好的產(chǎn)品推薦，使銀行在欺詐發(fā)生之前找到潛在欺詐者，或者讓制造企業(yè)找到提高供應(yīng)鏈效率的方法。

TigerGraph Cloud是業(yè)界首個也是唯一一個分布式原生圖數(shù)據(jù)庫即服務(wù)，使用戶能夠更容易地加速采用圖，實時處理分析和事務(wù)性工作負(fù)載。通過最新的3.8版本，你還可以在TigerGraph Cloud上配置你的ML Workbench Jupyter notebook，為你的圖數(shù)據(jù)庫和圖機器學(xué)習(xí)開發(fā)環(huán)境提供一站式體驗。

案例：圖增強的ML模型檢測欺詐行為

世界各地的公司正在投資于圖，將其作為一種競爭優(yōu)勢。圖算法和機器學(xué)習(xí)領(lǐng)域的研究表明，通過將數(shù)據(jù)構(gòu)建在一個固有的捕捉上下文和關(guān)系的圖結(jié)構(gòu)中，可以大大改善預(yù)測模型的質(zhì)量。特別是在欺詐領(lǐng)域，圖增強的機器學(xué)習(xí)模型可以學(xué)習(xí)欺詐交易和行為人之間的潛在關(guān)系模式，而傳統(tǒng)的ML方法（如XGBoost模型）則無法捕捉。

在這篇博客中，我們將探討如何應(yīng)用圖算法和圖特征來解決欺詐檢測問題。我們將展示如何用TigerGraph構(gòu)建你的圖數(shù)據(jù)集，然后我們將通過一個Jupyter notebook的例子，用GNN模型構(gòu)建一個端到端的欺詐檢測應(yīng)用程序，使用Ethereum數(shù)據(jù)集，其中包含賬戶（有正面和負(fù)面標(biāo)簽）和它們之間的交易。下面是schema的樣子：

在TigerGraph Cloud上構(gòu)建你的圖

在任何模型開發(fā)之前，我們首先需要構(gòu)建你的圖。在這個例子中，我們將使用TigerGraph Cloud的免費版本，這是業(yè)界第一個也是唯一一個原生并行圖數(shù)據(jù)庫即服務(wù)。

要開始使用TigerGraph數(shù)據(jù)庫集群，你只需要通過選擇硬件配置來完成集群配置過程。

在高級設(shè)置部分，確保啟用機器學(xué)習(xí)工作臺，然后在入門套件中選擇圖機器學(xué)習(xí)，這樣它就包括在你的配置集群中。(注意：對于這個版本，我們將只支持單服務(wù)器配置，即分區(qū)因子=1)

TigerGraph云上的機器學(xué)習(xí)工作臺

TigerGraph云上的機器學(xué)習(xí)工作臺

一旦你的圖數(shù)據(jù)庫被配置好了，你將需要添加一個用戶和密碼，以便用機器學(xué)習(xí)工作臺連接到數(shù)據(jù)庫。只需從左邊的 “Clusters “選項卡上點擊你剛剛配置的集群的 Access Management”，然后用你的憑證點擊 “Add User”。

一旦你添加了一個用戶，你現(xiàn)在可以直接利用機器學(xué)習(xí)工作臺，點擊左側(cè)面板上的集群，然后點擊”Tools” 》 “Machine Learning Workbench”。

一個新的瀏覽器窗口將被打開，你將登陸到機器學(xué)習(xí)工作臺的Jupyter服務(wù)器。

TigerGraph 機器學(xué)習(xí)工作臺有很多很好的教程，包括如何使用pyTigerGraph使用我們的ML功能的例子，運行我們圖數(shù)據(jù)科學(xué)庫的算法，以及端到端的應(yīng)用。
你可能已經(jīng)聽說了最近在人工智能/ML方面的圖譜神經(jīng)網(wǎng)絡(luò)的突破。在這篇博客中，我們將展示利用我們內(nèi)置的python功能（如圖數(shù)據(jù)分區(qū)、數(shù)據(jù)導(dǎo)出/批處理和圖特征工程）建立一個GNN模型是多么容易。該notebook 可以在下面路徑找到：GML→ Applications → Fraud_Detection → Fraud_Detection.ipynb.

在運行任何代碼之前，你首先需要確保config.json中的用戶名和密碼（在Jupyter服務(wù)器的root文件夾中）被相應(yīng)地更新為你剛剛從tgcloud.io創(chuàng)建的新用戶。

準(zhǔn)備你的圖數(shù)據(jù)集

現(xiàn)在，我們已經(jīng)準(zhǔn)備好與TigerGraph云數(shù)據(jù)庫實例建立連接，只需運行以下代碼，并將Ethereum 數(shù)據(jù)集導(dǎo)入到你的實例。

圖特征工程

像任何其他監(jiān)督下的機器學(xué)習(xí)模型一樣，GNN需要訓(xùn)練、驗證和測試集來開發(fā)模型。ML Workbench通過一個簡單的命令使數(shù)據(jù)分區(qū)變得簡單。我們將對你的圖數(shù)據(jù)進行分區(qū)，同時保留你的數(shù)據(jù)集的關(guān)系。

ML workbench 包括TIgerGraph的圖數(shù)據(jù)科學(xué)庫中的相當(dāng)多的圖算法來進行特征工程。這個notebook 所強調(diào)的關(guān)鍵功能是：

listAlgorithm()：如果你輸入算法的類別（如中心性），它將打印指定類別的可用算法；否則它將打印所有可用的算法類別。

installAlgorithm()：獲取算法的名稱作為輸入，如果該算法尚未安裝，則安裝該算法。

runAlgorithm()：獲取算法名稱和參數(shù)以運行該算法。如果該算法尚未安裝，并且存在于TigerGraph的圖數(shù)據(jù)科學(xué)庫中，該算法將自動安裝查詢語句，并在圖中創(chuàng)建必要的schema屬性。

下面的代碼顯示了如何使用Featurizer來獲得PageRank作為一個特征。你也可以通過運行你自己的GSQL查詢語句，并通過Featurizer運行它，來定義你自己的自定義特征。

現(xiàn)在我們已經(jīng)完成了特征工程，下一步是使用我們的Neighbor Loader函數(shù)導(dǎo)出你的訓(xùn)練、驗證和測試數(shù)據(jù)集。你可以用我們的Neighbor Loader函數(shù)定義你的采樣策略，如批次大小、跳數(shù)和鄰居數(shù)。

訓(xùn)練你的GNN模型

現(xiàn)在，我們已經(jīng)完成了圖特征工程，并將所有的數(shù)據(jù)導(dǎo)出到你的機器學(xué)習(xí)工作臺環(huán)境，以訓(xùn)練機器學(xué)習(xí)模型。

我們擁護開源社區(qū)，這就是為什么我們把TigerGraph ML Workbench與一些最流行的深度學(xué)習(xí)框架兼容，如PyTorch Geometric和Tensorflow。注意在上面的代碼中，我們直接將你的關(guān)聯(lián)數(shù)據(jù)以output_format參數(shù)中指定的PyG格式導(dǎo)出，你將能夠直接利用PyG來訓(xùn)練一個GNN模型，比如Graph Attention Network（ (GATs）算法。請看下面的例子：

一旦你的模型訓(xùn)練完成，你就可以對你的模型進行推理，看看一個欺詐者是如何通過其網(wǎng)絡(luò)移動交易的。為了更好地解釋預(yù)測行為，我們可以將與預(yù)測頂點相關(guān)的子圖可視化。

用子圖可視化你的模型預(yù)測

在這個例子中，頂點#1891被預(yù)測為一個欺詐賬戶。粉紅色的頂點是已知的欺詐賬戶，用藍色標(biāo)識的頂點是未知賬戶。看起來頂點1891是一個欺詐者網(wǎng)絡(luò)的幕后策劃者，一直在從無辜的用戶那里拿錢!

下一步

如果你覺得這篇文章很有趣，并想建立自己的GNN應(yīng)用程序，請免費試用我們的TigerGraph Cloud和TigerGraph ML Workbench。請從我們的Github（https://github.com/tigergraph/graph-ml-notebooks）上查看我們的教程。你也可以在這篇博文中找到我們所用到的notebook例子的鏈接。

審核編輯 ：李倩