Neo4j mit neuen Features

Neben der kontinuierlichen Optimierungen von Graph Data Science (GDS) gibt es auch Verbesserungen in Sachen automatische Datenmodellierung, Backend Administration und Integration von Data Warehouse. Die Neuerungen sollen Entwicklern und Data Scientists den Einstieg erleichtern.

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 Millionen Objekten/Sekunde in den Graphen direkt importieren und exportieren.

Außerdem hat Neo4j die Usability der Graphdatenbank weiter erhöht. Der neue Data Importer ermöglicht den Datenimport sowie die visuelle Modellierung von CSV-Dateien als Graph. Cypher Kenntnisse sind dafür nicht nötig. Die No-Code-Lösung sorgt so für eine einfache Bedienbarkeit und einen reibungslosen Start von eigenen Projekten. Daten lassen sich intuitiv modellieren (UI) und Flat Files als Graph abbilden. Das Feature ist für den Import von Millionen von Datensätzen ausgelegt.