应用训练好的模型进行预测

穷举搜索将简单地遍历所有可能的新链接，即检查所有尚未通过关系连接的节点对。对于每个这样的节点对，使用训练好的模型来预测它们是否应该通过链接连接。穷举搜索会找到所有最佳链接，但运行时间可能很长。

为了避免在考虑所有可能的新链接时可能运行很长时间（由于相对于节点数量的固有二次复杂度），GDS 提供了一种近似搜索策略。

近似搜索策略允许我们利用 K-最近邻算法，并将模型的预测函数作为其相似性度量，从而以准确性换取更短的运行时间。此上下文中的准确性是指结果与根据我们模型预测的最优可能新链接的接近程度，即穷举搜索所能做出的最佳预测。

每个节点的初始候选链接集是随机选择的，然后根据之前预测的链接在多次迭代中进行优化。有关搜索工作原理的更多详细信息，请参阅 K-最近邻文档。

首先，我们将使用 estimate 过程来估算运行算法的成本。这可以在任何执行模式下完成。在本示例中，我们将使用 stream 模式。估算算法有助于了解在您的图上运行该算法会产生什么样的内存影响。当您稍后在某个执行模式下实际运行算法时，系统会执行一次估算。如果估算结果显示执行超出内存限制的可能性极高，则禁止执行。要了解更多信息，请参阅 自动估算和执行阻塞。

有关 estimate 的更多详细信息，请参阅 内存估算。

在 stream 执行模式下，该算法返回每个节点对的链接概率。这使我们能够直接检查结果或在 Cypher 中对其进行后处理，而不会产生任何副作用。

有关 stream 模式的更多详细信息，请参阅 流模式。

在此示例中，我们将展示如何将预测结果写入您的投影图。我们将使用我们在 训练示例 中训练的模型 lp-pipeline-model。

正如我们在 samplingStats 中看到的，我们使用了穷举搜索策略，并在预测期间检查了 16 个可能的链接。事实上，由于图中总共有 8 * (8 - 1) / 2 = 28 个可能的链接，而我们已经拥有了 12 个，这意味着我们检查了所有可能的新链接。虽然考虑了 16 个链接，但我们只对其中的前五个（因为 topN = 5）且高于阈值的链接执行了 mutate 操作，实际上只有一个链接通过了阈值（请参阅 Stream）。

如果我们的图非常大，可能会有很多可能的新链接。因此，运行预测可能需要很长时间。因此，使用仅查看所有可能新链接子集的搜索策略可能是一个更可行的选择。

为了避免在考虑所有可能的新链接时可能需要运行很长时间，我们可以使用 近似搜索策略。

正如我们在 samplingStats 中看到的，我们使用了近似搜索策略，并在预测期间检查了 56 个可能的链接。虽然在这个小示例中，我们实际上考虑的链接比穷举情况多，但对于更大的图，通常情况并非如此。由于我们写入的关系是无向的，当我们为每个节点搜索最佳（topK = 1）预测时，报告的 relationshipsWritten 为 16。

在 使用上下文过滤器进行训练 中，我们在 fullGraph 上训练了另一个模型 lp-pipeline-model-filtered，该模型使用了 City 节点以及 LIVES 和 BORN 关系作为上下文。

我们可以在预测中利用该模型，并可选择在预测中覆盖节点标签或关系类型过滤配置。在这种情况下，我们不这样做，而是继承 lp-pipeline-model-filtering 模型训练配置中的过滤配置。换句话说，我们预测 Person-KNOWS-Person 关系，并在节点属性步骤中额外使用 City 节点以及 LIVES 和 BORN 关系。