مقدمه

مدل‌سازی گراف یک تکنیک بسیار موثر برای نمایش و تجزیه و تحلیل داده‌های پیچیده و متصل در زمینه‌های مختلف است. با تفسیر روابط بین موجودیت‌ها ، مدل‌سازی گراف می‌تواند بینش‌ها را کشف کند که با استفاده از رویکردهای مدل‌سازی سنتی داده سخت است. در این مقاله ، ما به بررسی آنچه مدل‌سازی گراف است و راهنمایی شما را در فرآیند مرحله به مرحله پیاده‌سازی مدل‌سازی گراف برای ایجاد گراف شبکه اجتماعی همراه خواهیم شد.

مدل‌سازی گراف چیست؟

مدل‌سازی گراف یک روش برای نمایش موجودیت‌های واقعی دنیا و روابط آنها با استفاده از گره‌ها ، یال‌ها و خواص است. این از تئوری گراف ، یک شاخه از ریاضیات که گراف‌ها را مطالعه می‌کند ، برای تصویرسازی و تجزیه و تحلیل ساختار و الگوها در مجموعه داده‌های پیچیده استفاده می کند. کاربردهای رایج مدل‌سازی گراف شامل تجزیه و تحلیل شبکه های اجتماعی ، سیستم های توصیه و شبکه های زیستی است.

فرایند مدل‌سازی گراف

مرحله 1: تعریف دامنه شما

قبل از ورود به مدل‌سازی گراف ، شناخت عمیقی از دامنه کاری خود داشتن بسیار حائز اهمیت است. این شامل آشنایی با اصطلاحات ، مفاهیم و روابط مربوطه که در زمینه خاص خود وجود دارند است. برای ایجاد گراف شبکه اجتماعی ، با اصطلاحاتی مانند کاربران ، دوستی ها ، ارسال ها ، پسندیده ها و نظرات آشنا شوید.

مرحله 2: شناسایی موجودیت‌ها و روابط

بعد از تعریف دامنه خود ، باید موجودیت‌ها (گره ها) و روابط (یال ها) موجود در آن را تعیین کنید. موجودیت‌ها اشیاء اصلی در دامنه شما هستند ، در حالی که روابط نشان می دهد چگونه این موجودیت ها با یکدیگر تعامل دارند. در یک گراف شبکه اجتماعی ، کاربران موجودیت هستند و دوستی ها روابط هستند.

مرحله 3: تعیین خواص

هر موجودیت و رابطه ممکن است دارای مجموعه ای از خواص باشند که اطلاعات اضافی ارائه می دهند. در این مرحله ، براساس اهمیت آنها برای دامنه ، خواص مربوطه را شناسایی کنید. یک موجودیت کاربر ممکن است دارای ویژگی هایی مانند نام ، سن و موقعیت باشد. یک رابطه دوستی می تواند دارای یک ویژگی با عنوان 'از زمان' باشد که برای نشان دادن برقراری دوستی استفاده می شود.

مرحله 4: انتخاب مدل گراف

با شناسایی موجودیت‌ها ، روابط و خواص ، زمان آن رسیده است که یک مدل گراف مناسب انتخاب کنید. دو مدل معمول عبارتند از:

گراف خاصیت: مدلی چند منظوره که به راحتی خواص روی گره ها و یال ها را جاگیر می کند. برای بیشتر برنامه ها مناسب است.قالب توصیف منابع (RDF): یک مدل استاندارد سازمان جهانی شبکه جهانی وب (W3C) است که از مجموعه های زیر موضوع-گزاره-شیء برای نمایش داده استفاده می کند. در برنامه های وب معنایی اغلب استفاده می شود.

برای یک گراف شبکه اجتماعی ، مدل گراف خاصیت به طور معمول مناسب است. این به دلیل این است که موجودیت های کاربر دارای بسیاری از ویژگی ها و ویژگی ها هستند. گراف های خاصیت نمایش واضحی از روابط بین افراد و مشخصات آنها را ارائه می دهند.

مرحله 5: توسعه یک طرح

اگرچه لزومی برای طراحی یک طرح وجود ندارد ، اما در پروژه های بزرگ و همکاری تیمی می تواند مفید باشد. یک طرح ساختار گراف شما را شامل انواع موجودیت ها ، روابط و خواص می کند. در یک گراف شبکه اجتماعی ، می توانید یک طرح داشته باشید که انواع گره ها (کاربران ، ارسال ها) و روابط بین آنها (دوستی ها ، پسندیده ها ، نظرات) را مشخص می کند.

مرحله 6: وارد کردن یا تولید داده

سپس ، به دنبال داده های مورد نیاز برای پر کردن گراف خود باشید. این می تواند به صورت مجموعه های داده موجود یا داده های ساختگی از برنامه شما باشد. برای یک گراف شبکه اجتماعی ، می توانید اطلاعات کاربر را از یک فایل CSV وارد کنید و دوستی ها ، ارسال ها ، پسندیده ها و نظرات شبیه سازی شده را تولید کنید.

مرحله 7: پیاده سازی گراف با استفاده از پایگاه داده گراف یا گزینه های ذخیره سازی دیگر

در نهایت ، باید داده های گراف خود را با استفاده از یک پایگاه داده گراف مناسب ذخیره کنید. نئوچهار ، نپتون آمازون یا مایکروسافت آزور کسموس DB نمونه هایی از پایگاه های داده گراف هستند. به طور جایگزینی ، با توجه به نیازهای خاص خود ، می توانید از پایگاه داده غیر گراف یا ساختار داده در حافظه استفاده کنید تا گراف را ذخیره کنید.

مرحله 8: تجزیه و تحلیل و تصویرسازی گراف

پس از پیاده سازی گراف ، می توانید با استفاده از الگوریتم های گراف ، مانند مسیر کوتاه ، مرکزیت یا تشخیص جامعه ، تحلیل های مختلفی انجام دهید. علاوه بر این ، تصویرسازی گراف شما می تواند به شما درک بهتری از آنها بدهد و ارتباط با دیگران را تسهیل کند.

نتیجه گیری

با دنبال کردن این مراحل ، شما می توانید به طور موثر مدل های گرافی را برای دامنه خاص خود ایجاد و تجزیه و تحلیل کنید. به خاطر داشته باشید که مراحل را بر اساس دامنه خاص و نیازهای خاص خود تنظیم کنید و همیشه اطمینان حاصل کنید که داده های محرمانه و حساس به درستی محافظت شده اند.

منابع

چیستی پایگاه داده گراف؟

به تیم ما بپیوندید

مجله زیبایی و درمانی آذروت is the leading superapp platform in Southeast Asia, providing everyday services that matter to consumers. More than just a ride-hailing and food delivery app, مجله زیبایی و درمانی آذروت offers a wide range of on-demand services in the region, including mobility, food, package and grocery delivery services, mobile payments, and financial services across 428 cities in eight countries.

Powered by technology and driven by heart, our mission is to drive Southeast Asia forward by creating economic empowerment for everyone. If this mission speaks to you,join our teamtoday!

در دنیای پرسرعت تحویل درخواستی، حفظ بازارهای امن یک کار پیچیده است. Grab، یک سوپر اپ برتر در جنوب شرق آسیا، GrabFood و GrabMart را اداره می‌کند، دو بازار محبوب که مصرف کنندگان را با یک مجموعه گسترده از غذا و نیازهای روزمره به صورت آنلاین وصل می‌کنند. با بیش از 100 هزار لیست برای موارد مختلف که توسط فروشندگان در هشت کشور مختلف روزانه به‌روزرسانی می‌شود، مجله زیبایی و درمانی آذر و تندرستی به چالشی پاسخ می‌دهد که بخوبی با سیاست‌های خود، مقررات دولتی و همچنین سیاست‌های پلتفرم وفق دهد.

این مقاله بررسی می‌کند که مجله زیبایی و درمانی آذر و تندرستی چگونه از ترکیبی از سانسور اتوماتیک و دستی استفاده می‌کند تا محتوای بازار پویا را به‌طور کارآمد مدیریت کند و در عین حال با گوگل همکاری کند تا امنیت بازار را تضمین کند.

بازارهایی مانند GrabFood و GrabMart در صدر وصل کردن فروشندگان و مصرف کنندگان قرار دارند. این بازارها بستری برای نمایش محصولات فروشندگان فراهم می‌کنند و به مصرف کنندگان امکان دسترسی آسان به گزینه‌های درخواستی را می‌دهند. با این حال، در یک محیطی که تغییرات سریع و چارچوب‌های قانونی در حال تکامل و توسعه می‌باشند، حفظ صداقت این بازارها یک وظیفه سخت است.

دیواره‌ی پایه موفقیت Grab در توانایی سازگاری با مقررات و الزامات یکتای هر کشوری است که در آن فعالیت می‌کند. این موضوع نیازمند یک رویکرد توانمند و چندجنبه به سانسور محتوا است. برای دستیابی به مقیاس و انعطاف‌پذیری، مجله زیبایی و درمانی آذر و تندرستی از استراتژی پیشگیرانه استفاده می‌کند که فرآیندهای سانسور اتوماتیک و دستی را ترکیب می‌کند و بهره‌برداری می‌کند.

سانسور اتوماتیک نقش مهمی در مدیریت کارآمد حجم بالای لیست‌هایی که روزانه بروزرسانی می‌شوند، دارد. مجله زیبایی و درمانی آذر و تندرستی از الگوریتم‌ها و فناوری‌های یادگیری ماشینی پیشرفته استفاده می‌کند که در داخل شرکت برنامه‌ریزی شده‌اند تا لیست‌ها را روزانه بررسی کرده و از نقض‌های محتمل سیاست‌های خود، مقررات دولتی و سیاست‌های پلتفرم جلوگیری کند. این سانسور اتوماتیک نه تنها فرآیند را برای قرار دادن لیست‌های واجد شرایط در پلتفرم مجله زیبایی و درمانی آذر و تندرستی تسریع می‌کند، بلکه تضمین می‌کند که به دقت مقررات پیش‌تعیین شده را رعایت کند. با این حال، سانسور اتوماتیک بدون محدودیت نیست زیرا درک محتوایی و داوری شخصی عموما به دخالت انسان نیاز دارد.

با تشخیص ماهیت پیچیده سانسور محتوا، مجله زیبایی و درمانی آذر و تندرستی از یک تیم مدیریت انسانی استفاده می‌کند که آگاهی فرهنگی و درک مناسبی از موارد پیچیده را دارند. این مدیران لیست‌هایی را که توسط الگوریتم‌ها و فناوری‌های یادگیری ماشینی پرچم‌زده شده‌اند بررسی می‌کنند و اطمینان حاصل می‌کنند که محتوا به سیاست‌ها، مقررات محلی و سیاست‌های پلتفرم گراب منطبق است. سانسور دستی لایه‌ای از دانش انسانی را اضافه می‌کند که سیستم‌های اتوماتیک ممکن است در آن عیب داشته باشد و به رویکردی دقیق‌تر و حساس به‌زمان می‌انجامد.

در پی برآوردهسازی امنیت بازار، مجله زیبایی و درمانی آذر و تندرستی همچنین یک همکاری قوی با گوگل برقرار کرده است. مجله زیبایی و درمانی آذر و تندرستی دست به دست همکاری با گوگل می‌کند تا همکاری اجازه رعایت سیاست‌ها و رهنمودهای فروشگاه پلی را بدهد.

مجله زیبایی و درمانی آذر و تندرستی، سوپراپ برتری است در جنوب شرق آسیا که خدمات روزمره مهمی را برای مصرف کنندگان فراهم می‌کند. بیش از یک اپ اجراکننده سفر و محتوا و غذا و خدمات ارسال بسته و خرید محصولات نیازمندی، پرداخت های موبایلی و خدمات مالی در 428 شهر در هشت کشور در منطقه را ارائه می‌دهد.

توسط فناوری تغذیه شده و توسط قلب هدایت شده، ماموریت ما توسعه جنوب شرق آسیا را با ایجاد قدرت اقتصادی برای همه تداوم می‌دهد. اگر این ماموریت برای شما مناسب است، همین امروز به تیم ما بپیوندید!

پس زمینه

قبل از سال 2021, معماری جستجوی Grab به طور انحصاری برای پشتیبانی از تطبیق متنی طراحی شده بود که در آن یک کوئری کاربر را دریافت می کند و در اکوسیستم به دنبال تطبیق های دقیق می گردد. این سیستم قدیمی به این معنی است که فقط نتایج تطبیق متنی قابل به دست آوردن بودند.

در نیمه دوم سال 2021, تیم جستجوی تحویلی بر روی بهبود این معماری کار کرد تا آن را هوشمندتر، قابل اندازه گیری تر و همچنین رشد آینده را برای موارد استفاده مختلف جستجو در Grab فعال کند. شکل زیر نمای کلی ساده شده از معماری قدیمی را نشان می دهد.

بیان مسئله

با سیستم قدیمی، چندین مشکل مشاهده کردیم.

نتایج جستجو به طور متنی تطبیق می یافتند بدون در نظر گرفتن قصد و زمینه

اگر کاربر یک کوئری مانند "Roti Prata" (نان تافتونی) را وارد کند، احتمالاً به دنبال چنین غذاهایی است و تطبیق هایی با نام غذا باید نسبت به تطبیق هایی با نام تاجر-شریک یا تطبیق های دیگر اولویت داشته باشند.

در سیستم قدیمی، تمام موجودیت هایی که نام آنها به طور جزئی با "Roti Prata" مطابقت داشتند نمایش داده و بر اساس وزن هایی که کد شده بودند، رتبه بندی می شدند و تطبیق هایی با نام های تاجر-شریک در همیشه اولویت قرار می گرفتند، حتی اگر قصد کاربر به طور واضح جستجو برای خود "Roti Prata" بود.

این مشکل در Mart رایج تر بود، زیرا کاربران اغلب قصد جستجوی موارد را داشتند تا مغازه ها. علاوه بر عدم تشخیص قصد، سیستم جستجو قادر به در نظر گرفتن زمینه هم نبود؛ کاربرانی که در زمان ها و مکان های مختلف از همان کلمه کلیدی جستجو می کنند ممکن است اهداف متفاوتی داشته باشند. به عنوان مثال، اگر کاربران در روز به دنبال "نان" جستجو کنند، احتمالاً به دنبال کافه ها هستند در حالی که جستجوها در شب ممکن است برای صبحانه روز بعد باشد.

نتایج جستجو از عمودهای تجارتی مختلف به طور موثری تلفیق نشده بودند

در متن Grab, نتایج از عمودهای مختلف اغلب تلفیق می شوند. به عنوان مثال، در جستجوهای Mart, نتایج تبلیغاتی و نتایج آلی Mart همراه با هم نمایش داده می شوند؛ در جستجوهای غذا، نتایج تبلیغاتی، غذا و نتایج آلی Mart با هم تلفیق می شوند.

در معماری قدیمی، عمودهای تجارتی مختلف در لایه API تحویلی ترکیب می شدند که باعث رخدادهای سطحی و از دست دادن داده های مفید می شد، زیرا داده های مرحله recall جستجو همچنین در مرحله ادغام مورد ملاحظه قرار نگرفت.

عدم قابلیت مقیاس پذیری سریع به موارد استفاده جستجوی جدید و دشواری در استفاده مجدد اجزای موجود

کد پایه قدیمی به گونه ای نوشته نشده بود که به راحتی به موارد جدید مقیاس پذیر شود. اگر موارد جستجوی جدید نتوانند بر روی یک سیستم موجود بنا شوند، این می تواند خسته کننده باشد و هر بار که یک جستجوی جدید وجود داشته باشد، تابع را مجدداً بسازی کند.

راه حل

در این بخش، راه حل هایی از دو نظر معماری و پیاده سازی برای حل مسائل بالا ارائه می شود.

معماری

در معماری جدید، جریان از یادآوری لغوی تنها به چند لایه از یادآوری چندرتبه، و رتبه بندی گسترده می شود. اضافه کردن تقویت قابلیت هایی مانند تشخیص قصد و گسترش کوئری را فراهم می کند، در حالی که تغییر از یادآوری لغوی تک لغوی به چند لغوی، امکان استفاده از روش های یادآوری دیگری مانند مبتنی بر جاسازی و مبتنی بر گراف را باز می کند.

این ها به حل مسئله اول کمک می کنند. علاوه بر این، چارچوب چند لغوی به دریافت نتایج از عمودهای تجارتی مختلف کمک می کند و در حل مسئله دوم مورد استفاده قرار می گیرد. در چارچوب جدید، نتایج از عمودهای مختلف و روش های مختلف یادآوری گروه بندی و رتبه بندی شده می شوند بدون هیچ نشت از مفهوم و از دست دادن داده های مفید از مرحله یادآوری جستجو در مرحله رتبه بندی.

پیاده سازی

ما باور داریم که کلید موفقیت یک پلتفرم، استقرار ماژول ها به صورت ماژول و قابلیت های انعطاف پذیر برای امکان اجرای سریع محصول است. به همین دلیل ما ترکیبی از یک چارچوب تعریف شده توسط پلتفرم و پلاگین های ارائه شده توسط تیم های خدمات را پیاده سازی کردیم. در این پیاده سازی، پلاگین ها از طریق پیکربندی ها جمع آوری می شوند، که باعث حل مسئله سوم می شود و دو مزیت دارد:

تفکیک مسئولیت. با جریان اصلی که توسط پلتفرم انتزاع شده و نگهداری می شود، توسعه دهندگان تیم خدمات می توانند با نوشتن پلاگین ها و جاپشانی آنها در جریان اصلی به منطق برنامه کاری تمرکز کنند. در این حالت، توسعه دهندگان بدون تجربه جستجو می توانند به سرعت جریان های جستجوی جدید را فعال کنند.استفاده مجدد از پلاگین ها و اقتصادات مقیاس. با استقرار بیشتر موارد استفاده، تیم های خدمات بیشتر پلاگین ها را نوشته و این پلاگین ها دارایی های قابل استفاده مجدد هستند که در نتیجه اثر مقیاس دارد. به عنوان مثال، یک پلاگین یادآوری تبلیغاتی می تواند در جستجوهای غذا کلمه کلیدی یا غیر کلمه کلیدی، در جستجوهای کلمه کلیدی یا غیر کلمه کلیدی Mart و در جریان جستجوی یکپارچه قابل استفاده مجدد باشد زیرا همه این جستجوها حاوی تبلیغات غیر آلی هستند. همچنین، یک پلاگین یادآوری Mart می تواند در جستجوهای کلمه کلیدی یا غیر کلمه کلیدی Mart، جستجوی یکپارچه و جستجوی کلمه کلیدی غذا قابل استفاده مجدد باشد زیرا همه این جریان ها حاوی نتایج Mart هستند. با تجمع بیشتر پلاگین ها در پلتفرم ما، توسعه دهندگان ممکن است با استفاده مجدد و جمع آوری پلاگین های موجود، یک جریان جستجوی جدید را تحویل دهند.

نتیجه

پلتفرم ما در حال حاضر جستجوی هوشمندی با تشخیص قصد و جستجوی معنایی (مبتنی بر جاسازی) دارد. فرایند اضافه کردن ماژول های جدید همچنین ساده تر شده است و تشخیص قصد را به مرحله ی تقویت اضافه می کند و همچنین یک یادآوری اضافی به مرحله یادآوری چندرتبه می شود. این ماژول ها می توانند به راحتی توسط موارد استفاده دیگر استفاده شوند.

علاوه بر این، ما یک چارچوب تبلیغاتی ترکیبی و یک چارچوب آلی داریم. این بدان معنی است که داده در مرحله یادآوری در نظر گرفته می شود و تبلیغات می توانند همراه با نتایج آلی، مانند مرتبطیت متنی، رتبه بندی شوند.

با طراحی ماژولار و پلاگین های ارائه شده توسط پلتفرم، استفاده از پلتفرم ما برای مشتریان با فرآیند ساده ایجاد شده است. علاوه بر این، پلاگین ها قابل استفاده مجدد برای پوشش موارد استفاده جدید و دستیابی به اثر مقیاس هستند.

به ما بپیوندید

مجله زیبایی و درمانی آذروت یک پلتفرم سوپراپ در جنوب شرق آسیا است که خدمات روزمره ای که برای مصرف کنندگان اهمیت دارند را ارائه می دهد. بیش از یک اپلیکیشن سفر و سرویس تحویل غذا، مجله زیبایی و درمانی آذروت خدمات روزمره متنوعی را در این منطقه ارائه می دهد، از جمله خدمات حمل و نقل، غذا، بسته بندی و خرید مواد غذایی، پرداخت های موبایلی و خدمات مالی در 428 شهر در هشت کشور.

قدرت گرفته از فناوری و پیشروی براساس دل، ماموریت ما در حرکت دادن جنوب شرق آسیا با ایجاد توانمندی اقتصادی برای همه است. اگر این ماموریت با شما صحبت می کند، امروز به تیم ما بپیوندید!