Neo4j mit neuen Features für höhere Usability
Graph Data Science (GDS), Data Importer und OpsManager vereinfachen den Einstieg in Graphtechnologie und Graph Analytics
Über Knotenregressions-Pipelines lassen sich jetzt numerische Eigenschaften vorhersagen
Neo4j, Anbieterin von Graphtechnologie, wartet mit neuen Features der Graphdatenbank auf. Neben kontinuierlichen Optimierungen von Graph Data Science (GDS) gibt es auch Verbesserungen in Sachen automatische Datenmodellierung, Backend Administration und Integration von Data Warehouse. Damit bietet die native Graphdatenbank einen erleichterten Einstieg sowohl für Entwickler als auch für Data Scientists.
Das neue Release Graph Data Science (GDS) 2.1 bietet in der Library mehr als 65 Graph-Algorithmen – darunter neu K-means clustering und Leiden für Community Detection. Quell- und Zielknoten lassen sich von nun an für die Algorithmen KNN (K-Nearest Neighbor) und Node Similarity filtern.
Zudem bietet Neo4j Verbesserungen hinsichtlich der graph-nativen ML-Pipelines: So vereinfacht es das Autotuning für ML-Pipelines, die richtigen Abfrage-Parameter zu identifizieren, um das bestmögliche Modell zu erzeugen.
Über Knotenregressions-Pipelines lassen sich jetzt numerische Eigenschaften vorhersagen. Der Python Klient vereinfacht Arbeitsabläufe für Data Scientists, die nicht mit Cypher vertraut sind. Neu ist außerdem die Apache Arrow-Integration für schnelle Graph Projection aus externen Quellen, Datenbankerstellung und Graph Export. So können Anwender massive Datenmengen von bis zu 30 Mio. Objekten/Sekunde in den Graphen direkt importieren und exportieren. (Neo4j: ra)
eingetragen: 09.09.22
Newsletterlauf: 11.09.22
Sie wollen mehr erfahren?
Neo4j hat die Usability der Graphdatenbank weiter erhöht. Der neue Data Importer ermöglicht den Datenimport sowie die visuelle Modellierung von CSV-Dateien als Graph.
Neo4j: Kontakt und Steckbrief
Der Informationsanbieter hat seinen Kontakt leider noch nicht freigeschaltet.