Das Framework "Graph Data Science" des Graph-Datenbankspezialisten Neo4j beinhaltet neben der Datenbank auch Analytics-Funktionen, spezielle Algorithmen sowie das Werkzeug "Neo4j Bloom", um die Analyseergebnisse zu visualisieren. Data Scientists erhielten damit Tools an die Hand, um vernetzte Daten analysieren und Machine-Learning-Modelle erstellen zu können, verspricht der Softwarehersteller.
Foto: Neo4j
Die im Framework integrierten Algorithmen sind speziell für die Anwendung in Graph-Datenbanken zugeschnitten. Damit ist dem Anbieter zufolge eine Analyse über mehrere Milliarden Knoten und Kanten innerhalb der Datenbasis möglich. Die Algorithmen lassen sich darüber hinaus skalieren und in reproduzierbare Abläufe integrieren, erklärt Neo4j.
Graph Data Science: Verdächtige Datenmuster erkennen
Dazu gehörten Community-Detection- und Similarity-Algorithmen zur Erkennung von Clustern und Nearest-Neighbor-Heuristiken, Centrality-Algorithmen zur Identifizierung von Influencern sowie Pathfinding- und Link-Prediction-Algorithmen für topologische Mustererkennung. So könnten Nutzer aussagekräftige, aber bis dato weitgehend ungenutzte Beziehungen und Netzwerkstrukturen für ihre Analysen heranziehen. Die Anwendungsfälle reichen von der Nachverfolgung von Webseiten-Besuchern über mehrere Plattformen und Touchpoints hinweg über die Erforschung von Krankheiten und Behandlungsmöglichkeiten bis hin zur Betrugsaufdeckung aufgrund verdächtiger Datenmuster.
Lesen Sie mehr zum Thema Datenbanken:
So kann ein Data Scientist mithilfe des Frameworks verdächtige Transaktionen mit Community-Detection-Algorithmen ermitteln. Graph-Algorithmen identifizieren verborgene Strukturen wie zum Beispiel Konten, die im Mittelpunkt ungewöhnlicher Transaktionen stehen.