Деталі електронної книги

Dane grafowe w praktyce. Jak technologie grafowe ułatwiają rozwiązywanie złożonych problemów

Dane grafowe w praktyce. Jak technologie grafowe ułatwiają rozwiązywanie złożonych problemów

Denise Gosnell, Matthias Broecheler

Eлектронна книга

Komputer do pracy potrzebuje liczb i danych. Człowiek chętniej wysnuwa wnioski i wyodrębnia kontekst na podstawie relacji. Te dwa sposoby myślenia są tak odmienne, że komputery do niedawna z trudem wykonywały zadania związane z operowaniem na relacjach. Obecnie może się to zmienić dzięki grafom. Technologie grafowe łączą ludzkie postrzeganie świata i liniową pamięć komputerów. Ich wdrożenie na szerszą skalę będzie stanowić przełom i pozwoli osiągnąć nieznany dziś poziom. Ale najpierw trzeba nauczyć się stosować myślenie grafowe w rozwiązywaniu problemów technicznych.

Dzięki tej książce opanujesz podstawy myślenia grafowego. Zapoznasz się z elementarnymi koncepcjami grafowymi: teorią grafów, schematami baz danych, systemami rozproszonymi, a także analizą danych. Dowiesz się również, jak wyglądają typowe wzorce wykorzystania danych grafowych w aplikacjach produkcyjnych. Poznasz sposób, w jaki można te wzorce stosować w praktyce. Pokazano tu, jak używać technik programowania funkcyjnego oraz systemów rozproszonych do tworzenia zapytań i analizowania danych grafowych. Opisano też podstawowe podejścia do proceduralnego przechodzenia przez dane grafowe i ich wykorzystanie za pomocą narzędzi grafowych.

W książce:

  • nowy paradygmat rozwiązywania problemów: dane grafowe
  • wzorce wykorzystania danych grafowych
  • przykładowa architektura aplikacji w technologiach relacyjnych i grafowych
  • technologie grafowe a przewidywanie preferencji i zaufania użytkowników
  • filtrowanie kolaboratywne i jego zastosowanie

Grafy: przełomowa koncepcja w analizie danych!


Wstęp 9

1. Myślenie grafowe 15

  • Dlaczego teraz? Kontekst technologii bazodanowych 16
    • Okres od lat 60. do lat 80. XX wieku - dane hierarchiczne 17
    • Okres od lat 80. XX wieku do pierwszej dekady XXI wieku - encja-relacja 18
    • Od początku XXI wieku do lat 20. XXI wieku - NoSQL 19
    • Lata 20. XXI wieku do ? - grafy 20
  • Czym jest myślenie grafowe? 22
    • Złożone problemy i złożone systemy 22
    • Problemy złożone w biznesie 23
  • Podejmowanie decyzji o technologii rozwiązywania złożonych problemów 25
    • Twoje dane są grafem. Co teraz? 28
    • Spojrzenie z szerszej perspektywy 31
  • Ruszamy na wyprawę z myśleniem grafowym 32

2. Ewolucja od myślenia relacyjnego do grafowego 33

  • Przegląd rozdziału: tłumaczenie koncepcji relacyjnych na terminologię grafów 33
  • Relacyjne kontra grafowe - na czym polega różnica? 34
    • Dane potrzebne w przykładzie 35
  • Modelowanie danych relacyjnych 36
    • Encje i atrybuty 37
    • Tworzenie diagramu ERD 37
  • Koncepcje związane z danymi grafowymi 38
    • Podstawowe elementy grafu 39
    • Przyleganie 40
    • Sąsiedztwa 40
    • Odległość 40
    • Stopień 41
  • Język Graph Schema Language 43
    • Etykiety wierzchołków i krawędzi 43
    • Właściwości 44
    • Kierunek krawędzi 45
    • Odwołujące się do siebie etykiety krawędzi 47
    • Mnogość grafu 48
    • Pełny przykładowy model grafu 50
  • Relacyjne kontra grafowe: decyzje do rozważenia 51
    • Modelowanie danych 51
    • Zrozumienie danych grafowych 52
    • Mieszanie projektu bazy danych z celem aplikacji 52
  • Podsumowanie 53

3. Zaczynamy. Prosta aplikacja Customer 360 55

  • Przegląd rozdziału: relacyjne kontra grafowe 56
  • Podstawowy przypadek użycia dla danych grafowych - C360 56
    • Dlaczego firmy przejmują się projektem C360? 57
  • Implementowanie aplikacji C360 w systemie relacyjnym 58
    • Modele danych 59
    • Implementacja relacyjna 61
    • Przykładowe zapytania dla aplikacji C360 65
  • Implementacja aplikacji C360 w systemie grafowym 68
    • Modele danych 68
    • Implementacja grafowa 69
    • Przykładowe zapytania C360 76
  • Relacyjne kontra grafowe - jak wybrać? 80
    • Relacyjne kontra grafowe - modelowanie danych 80
    • Relacyjne kontra grafowe - reprezentowanie relacji 80
    • Relacyjne kontra grafowe - języki zapytań 81
    • Relacyjne kontra grafowe - najważniejsze aspekty 82
  • Podsumowanie 82
    • Dlaczego nie relacyjne? 83
    • Wybór technologii dla aplikacji C360 83

4. Badanie sąsiedztwa w środowisku roboczym 85

  • Przegląd rozdziału - tworzenie bardziej realistycznej aplikacji Customer 360 85
  • Zasady modelowania danych grafowych 86
    • Czy to powinien być wierzchołek, czy krawędź? 87
    • Zgubiłeś się? Wskażemy Ci właściwy kierunek 89
    • Graf nie ma nazwy - typowe błędy w nazewnictwie 92
    • Gotowy model grafu w środowisku roboczym 94
    • Zanim zaczniemy budować 96
    • Nasze przemyślenia o znaczeniu danych, zapytań i użytkownika końcowego 96
  • Szczegóły implementacji eksploracji sąsiedztw w środowisku roboczym 97
    • Generowanie większej ilości danych dla rozszerzonego przykładu 98
  • Podstawowa nawigacja w języku Gremlin 99
  • Zaawansowane aspekty Gremlina - formatowanie wyników zapytania 106
    • Formatowanie wyników zapytania za pomocą kroków project(), fold() i unfold() 107
    • Usuwanie danych z wyników za pomocą wzorca where(neq()) 110
    • Planowanie złożonych wyników za pomocą kroku coalesce() 111
  • Przejście ze środowiska roboczego do produkcyjnego 114

5. Eksploracja sąsiedztw w środowisku produkcyjnym 115

  • Przegląd rozdziału - rozproszone dane grafowe w środowisku Apache Cassandra 116
  • Praca z danymi grafowymi w środowisku Apache Cassandra 117
    • Najważniejsze zagadnienie dotyczące modelowania danych - klucze główne 117
    • Klucze partycji i lokalizacja danych w środowisku rozproszonym 119
    • Opis krawędzi, część 1. Krawędzie na liście sąsiedztwa 123
    • Zrozumienie krawędzi, część 2. Kolumny klastrów 125
    • Zrozumienie krawędzi, część 3. Perspektywy zmaterializowane dla przejścia przez graf 129
  • Zaawansowane modelowanie danych grafowych 131
    • Znajdowanie indeksów za pomocą inteligentnego systemu rekomendacji indeksów 135
  • Szczegóły implementacji produkcyjnej 136
    • Perspektywy zmaterializowane i dodawanie czasu do krawędzi 136
    • Gotowy schemat produkcyjny aplikacji C360 138
    • Wczytywanie dużej ilości danych grafowych 139
    • Uzupełnianie zapytań w Gremlinie z wykorzystaniem czasu na krawędziach 142
  • Przejście do bardziej złożonych, rozproszonych problemów grafowych 144
    • 10 pierwszych wskazówek dotyczących przejścia od środowiska roboczego do produkcyjnego 144

6. Używanie drzew w środowisku roboczym 147

  • Przegląd rozdziału - nawigowanie przez drzewa, dane hierarchiczne i cykle 147
  • Hierarchie i dane zagnieżdżone - trzy przykłady 148
    • Hierarchiczne dane w zestawieniu materiałów 148
    • Dane hierarchiczne w systemach kontroli wersji 148
    • Dane hierarchiczne w samoorganizujących się sieciach 149
    • Dlaczego stosuje się technologię grafową w przypadku danych hierarchicznych? 150
  • Jak się odnaleźć w lesie terminologii 150
    • Drzewa, korzenie i liście 151
    • Głębokość w przechodzeniu, ścieżki i cykle 152
  • Zrozumienie hierarchii w danych z czujników 154
    • Zrozumienie danych 154
    • Model koncepcyjny z wykorzystaniem notacji GSL 160
    • Implementowanie schematu 161
    • Zanim utworzymy zapytania 164
  • Zapytania wykorzystujące drogę od liści do korzeni w trybie roboczym 164
    • Dokąd wysłał dane określony czujnik? 165
    • Jaka jest droga od tego czujnika do dowolnej wieży? 168
    • Z dołu do góry 172
  • Przeszukiwanie od korzenia do liści w środowisku roboczym 172
    • Konfiguracja zapytania: jak znaleźć wieżę, z którą połączonych jest najwięcej czujników, aby można ją było wykorzystać w przykładzie? 173
    • Które czujniki są połączone bezpośrednio z wieżą Georgetown? 174
    • Szukanie wszystkich czujników połączonych z wieżą Georgetown 175
    • Ograniczanie głębokości w rekurencji 177
  • Powrót do przeszłości 178

7. Używanie drzew w środowisku produkcyjnym 179

  • Przegląd rozdziału - zrozumienie czynnika rozgałęziania i czasu na krawędziach 179
  • Zrozumienie czasu w danych dotyczących czujników 180
    • Ostatnie wnioski dotyczące danych serii czasowych w grafach 187
  • Zrozumienie czynnika rozgałęzień w naszym przykładzie 188
    • Czym jest czynnik rozgałęzień? 188
    • Jak sobie poradzić z czynnikiem rozgałęzień? 190
  • Schemat produkcyjny dla danych dotyczących czujników 190
  • Zapytania przechodzące od liści do korzeni w środowisku produkcyjnym 192
    • Dokąd i kiedy czujnik wysłał dane? 192
    • Znajdź wszystkie drzewa prowadzące od czujnika do wieży z uwzględnieniem czasu 193
    • Znajdź poprawne drzewo wychodzące z określonego czujnika 195
    • Zaawansowane aspekty Gremlina - wzorzec where().by() 197
  • Zapytania od korzeni do liści w środowisku produkcyjnym 199
    • Które czujniki są bezpośrednio połączone z wieżą Georgetown według czasu? 199
    • Jakie prawidłowe drogi wiodą od wieży Georgetown w dół do wszystkich czujników? 200
  • Wykorzystanie zapytań w scenariuszach awarii wieży 204
    • Wykorzystanie ostatnich wyników do rozwiązania złożonego problemu 208
  • Dostrzeganie lasu w grupie drzew 208

8. Szukanie dróg w środowisku roboczym 209

  • Podgląd rozdziału - ocena ilościowa zaufania w sieciach 209
  • Myślenie o zaufaniu - trzy przykłady 210
    • Jak bardzo ufasz temu zaproszeniu? 210
    • Jak obronić historię śledczego? 211
    • Jak firmy modelują dostarczanie paczek? 212
  • Fundamentalne koncepcje dotyczące dróg 213
    • Najkrótsze drogi 213
    • Przeszukiwanie w głąb i przeszukiwanie wszerz 215
    • Nauka postrzegania cech aplikacji jako różnych problemów przeszukiwania dróg 216
  • Szukanie dróg w sieci zaufania 217
    • Dane źródłowe 217
    • Krótkie wprowadzenie do terminologii związanej z Bitcoinem 218
    • Tworzenie schematu roboczego 219
    • Wczytywanie danych 220
    • Analiza społeczności zaufania 220
  • Zrozumienie przejść w sieci zaufania Bitcoina 222
    • Które adresy znajdują się w pierwszym sąsiedztwie? 222
    • Które adresy znajdują się w drugim sąsiedztwie? 223
    • Które adresy znajdują się tylko w drugim sąsiedztwie? 224
    • Strategie wartościowania w języku zapytań Gremlin 225
    • Wybór losowego adresu do użycia w przykładzie 226
  • Zapytania wyszukujące najkrótsze drogi 227
    • Znajdowanie dróg o ustalonej długości 227
    • Znajdowanie dróg o dowolnej długości 229
    • Uzupełnianie dróg wartościami zaufania 232
    • Czy ufasz tej osobie? 238

9. Znajdowanie dróg w środowisku produkcyjnym 239

  • Przegląd rozdziału - zrozumienie wag, odległości i przycinania 239
  • Ważone drogi i algorytmy wyszukiwania 240
    • Definicja problemu najkrótszych dróg ważonych 240
    • Techniki optymalizacji przeszukiwania najkrótszych dróg ważonych 241
  • Normalizacja wag krawędzi dla problemów dotyczących najkrótszej drogi 244
    • Normalizacja wag krawędzi 245
    • Aktualizacja grafu 249
    • Eksploracja znormalizowanych wag krawędzi 250
    • Przemyślenia przed utworzeniem zapytań wyszukujących najkrótszą drogę ważoną 253
  • Zapytania o najkrótszą drogę ważoną 254
    • Tworzenie produkcyjnej wersji zapytania o najkrótszą drogę ważoną 254
  • Drogi ważone i zaufanie w środowisku produkcyjnym 263

10. Rekomendacje w środowisku roboczym 265

  • Przegląd rozdziału - kolaboratywne filtrowanie rekomendacji filmów 265
  • Przykłady systemów rekomendacji 266
    • Rekomendacje w służbie zdrowia 266
    • Na czym polegają rekomendacje w serwisach społecznościowych 267
    • Wykorzystanie głęboko połączonych danych do tworzenia rekomendacji w handlu elektronicznym 268
  • Wstęp do filtrowania kolaboratywnego 269
    • Zrozumienie problemu i domeny 269
    • Filtrowanie kolaboratywne danych grafowych 270
    • Rekomendacje na podstawie filtrowania kolaboratywnego opartego na elemencie zastosowanego w danych grafowych 271
    • Trzy różne modele tworzenia rankingu rekomendacji 272
  • Dane dotyczące filmów - schemat, wczytywanie i zapytania 276
    • Model danych dla rekomendacji filmów 276
    • Kod schematu dla rekomendacji filmów 277
    • Wczytywanie danych filmów 279
    • Zapytania dotyczące sąsiedztw w danych o filmach 283
    • Zapytania wykorzystujące drzewa w celu analizy danych o filmach 285
    • Zapytania przeszukujące drogi w danych o filmach 287
  • Filtrowanie kolaboratywne oparte na elementach w Gremlinie 289
    • Model 1. Liczenie dróg w zbiorze rekomendacji 289
    • Model 2. Zainspirowany NPS 290
    • Model 3. Znormalizowana punktacja NPS 292
    • Wybór swojej przygody - filmy i edycja problemu grafowego 294

11. Proste łączenie encji w grafach 295

  • Przegląd rozdziału - scalanie wielu zbiorów danych w jeden graf 295
  • Definiowanie innego złożonego problemu - łączenie encji 296
    • Analiza złożonego problemu 297
  • Analiza dwóch zbiorów danych o filmach 298
    • Zbiór danych MovieLens 299
    • Zbiór danych Kaggle 304
    • Schemat roboczy 307
  • Dopasowywanie i scalanie danych o filmach 308
    • Proces dopasowywania 308
  • Rozwiązywanie wyników fałszywie pozytywnych 310
    • Elementy fałszywie pozytywne w zbiorze danych MovieLens 311
    • Dodatkowe błędy wykryte podczas łączenia encji 311
    • Ostatnia analiza procesu scalania 313
    • Rola struktury grafu w scalaniu danych o filmach 313

12. Rekomendacje w środowisku produkcyjnym 315

  • Przegląd rozdziału - zrozumienie krawędzi skrótowych, wstępne obliczenia i zaawansowane obcinanie 316
  • Krawędzie skrótowe do ustalania rekomendacji w czasie rzeczywistym 316
    • Gdzie proces roboczy się nie skaluje 317
    • Obsługa problemów ze skalowaniem - krawędzie skrótowe 318
    • Analiza funkcjonalności w środowisku produkcyjnym 318
    • Przycinanie - różne sposoby wstępnego obliczania krawędzi skrótowych 319
    • Czynniki, jakie trzeba uwzględnić podczas aktualizacji rekomendacji 321
  • Obliczanie krawędzi skrótowych dla danych o filmach 322
    • Podział złożonego problemu wstępnego obliczania krawędzi skrótowych 322
    • Radzenie sobie ze słoniem w składzie porcelany - obliczenia masowe 326
  • Schemat produkcyjny i wczytywanie danych dla rekomendacji filmów 328
    • Schemat produkcyjny dla rekomendacji filmów 328
    • Wczytywanie danych produkcyjnych dla rekomendacji filmów 329
  • Zapytania dotyczące rekomendacji wykorzystujące krawędzie skrótowe 330
    • Potwierdzenie poprawnego wczytania krawędzi 331
    • Rekomendacje dla użytkownika w środowisku produkcyjnym 332
    • Zrozumienie czasu odpowiedzi w środowisku produkcyjnym poprzez zliczanie partycji krawędzi 336
    • Ostatnie uwagi dotyczące analizy wydajności rozproszonych zapytań grafowych 338

13. Epilog 339

  • Co dalej? 340
    • Algorytmy grafowe 340
    • Grafy rozproszone 341
    • Teoria grafów 341
    • Teoria sieci 342
  • Назва: Dane grafowe w praktyce. Jak technologie grafowe ułatwiają rozwiązywanie złożonych problemów
  • Автор: Denise Gosnell, Matthias Broecheler
  • Оригінальна назва: The Practitioner's Guide to Graph Data: Applying Graph Thinking and Graph Technologies to Solve Complex Problems 1st Edition
  • Переклад: Joanna Zatorska
  • ISBN: 978-83-283-7468-3, 9788328374683
  • Дата видання: 2021-05-31
  • Формат: Eлектронна книга
  • Ідентифікатор видання: dagraf
  • Видавець: Helion