book

Construire des graphes de connaissances

by Jesus Barrasa, Jim Webber

November 2024

Intermediate to advanced

290 pages

8h 37m

French

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

À qui s'adresse ce livreConventions utilisées dans ce livreApprentissage en ligne O'ReillyComment nous contacterRemerciements
Qu'est-ce qu'un graphique ?La motivation pour les graphes de connaissancesGraphes de connaissances : Une définitionRésumé
Principes d'organisation d'un graphe de connaissancesDes graphiques tout simplesModèles de graphes plus richesGraphes de connaissances utilisant des taxonomies pour la hiérarchieGraphes de connaissances utilisant des ontologies pour les relations à plusieurs niveauxQuel est le meilleur principe d'organisation pour ton Knowledge Graph ?Principes d'organisation : Normes et création de normesCréer ton propre principe d'organisationCaractéristiques essentielles d'un graphique de connaissancesRésumé
Le langage de requête CypherCréer des données dans un graphique de connaissancesÉviter les doublons lors de l'enrichissement d'un graphe de connaissancesRequêtes locales sur les graphesRequêtes globales sur les graphesAppeler des fonctions et des procéduresOutils d'aide à la rédaction de requêtes sur les graphes de connaissancesInternes de Neo4jTraitement des requêtesTransactions ACIDRésumé
Chargement des données avec l'importateur de données Neo4jChargement de données en masse en ligne avec LOAD CSVChargement initial en vracRésumé
Vers une structure de donnéesLe pilote de base de donnéesFédération de graphes avec des bases de données compositesProcédures côté serveurVirtualisation des données avec Neo4j APOCFonctions et procédures personnaliséesOutils et techniques complémentairesGraphQLPlug-in Kafka ConnectConnecteur Spark de Neo4jApache Hop pour l'ETLRésumé
Pourquoi les algorithmes graphiques ?Différentes classes d'algorithmes graphiquesOpérations de science des données graphiquesExpérimenter la science des données graphiquesConsidérations relatives à la productionEnrichir le graphe de connaissancesRésumé
L'apprentissage automatique en quelques motsApprentissage automatique topologiquePipelines d'apprentissage automatique natifs des graphesRecommander des acteurs complémentairesRésumé
Le défi de l'intendance des données distribuéesEnsembles de données connectés aux plateformes de donnéesTâches et pipelines de donnéesPuits de donnéesExemple de graphique de métadonnéesInterroger le modèle de graphe de métadonnéesUtiliser les relations pour relier les données et les métadonnéesRésumé
Connaître ton clientQuand le problème apparaît-il ?Résolution d'entités basée sur les graphes, étape par étapePréparation des donnéesCorrespondance des entitésConstruire/mettre à jour une fiche persistante d'entités maîtressesTravailler avec des données non structuréesRésumé

Détection de la fraudeFraude au premier degréDécouvrir la fraude à partir des donnéesAnneaux de fraudeLes spectateurs innocentsOpérationnaliser le graphe de connaissances pour la détection des fraudesCorrespondance des compétencesGraphique des connaissances organisationnellesGraphique des compétences et des connaissancesExpertise Graphique de connaissancesCroissance professionnelle individuellePlanification organisationnellePrédire la performance organisationnelleRésumé
Les dépendances sous forme de grapheModélisation avancée des dépendances graphiquesDépendances qualifiéesSémantique de la multidépendancePropagation de l'impact avec CypherValidation d'un graphe de connaissances sur les dépendancesValidation 1 : Pas de cyclesValidation 2 : Les multidépendances agrégées s'ajoutent au total prévuTraitement des dépendances complexesAnalyse d'un seul point de défaillanceAnalyse des causes profondesRésumé
Recherche sur des données non structuréesDes chaînes de caractères aux objets : Annoter des documents avec des entitésNaviguer dans les connexions : Similitude des documents pour les recommandationsLe problème du démarrage à froidRendre l'annotation sémantique grâce à un principe d'organisationRésumé
Réponse aux questions : Le langage naturel comme source de faits pour un graphe de connaissancesUtilisation d'une requête en langage naturel avec un graphe de connaissancesGénération de langage naturel à partir de graphes de connaissancesAnnoter le principe d'organisation du graphe de connaissances pour stimuler la génération de langage naturelTravailler avec des bases de données lexicalesSimilitude sémantique basée sur les graphesSimilitude des cheminsSimilitude Leacock-ChodorowSimilitude de Wu et PalmerRésumé
Déploiements conventionnels de graphes de connaissancesDes graphes de connaissances aux lacs de connaissancesRegarder vers l'avenir

Content preview from Construire des graphes de connaissances

Chapitre 10. Graphes de connaissances pour la détection de modèles

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

La gestion des données de l'entreprise sous forme de graphe de connaissances offre de nombreux avantages. Les données sont (logiquement) centralisées, classées et contextualisées. Un graphe de connaissances peut être exploité pour trouver des modèles qui proviennent d'événements commerciaux intéressants. Ces modèles donnent un aperçu historique de l'entreprise, mais ils peuvent également être utilisés pour regarder vers l'avenir.

Ce chapitre se concentre sur la recherche de modèles dans les graphes de connaissances et sur l'utilisation de ces modèles pour améliorer les résultats futurs. En commençant par de simples approches de correspondance de modèles, tu verras comment les modèles de ton graphe de connaissances peuvent être facilement exploités pour arrêter la fraude et constituer de meilleures équipes. Dans chacun des cas d'utilisation, tu verras également comment la détection de modèles peut être augmentée par la science des données de graphe pour enrichir le graphe de connaissances et faire émerger de nouveaux modèles précieux.

Détection de la fraude

La fraude en ligne est un problème répandu et pernicieux à l'ère de l'omniprésence des systèmes informatiques. Ces systèmes hébergent certains des aspects les plus critiques de notre vie personnelle et sont le moteur des entreprises ...