Примечание.
Для доступа к этой странице требуется авторизация. Вы можете попробовать войти или изменить каталоги.
Для доступа к этой странице требуется авторизация. Вы можете попробовать изменить каталоги.
Замечание
Эта функция сейчас доступна в общедоступной предварительной версии. Эта предварительная версия предоставляется без соглашения об уровне обслуживания и не следует использовать для производственных нагрузок. Некоторые функции могут не поддерживаться или их возможности могут быть ограничены. Дополнительные сведения см. в разделе Supplemental Terms of Use for Microsoft Azure Previews.
Граф в Microsoft Fabric преобразует структурированные данные, хранящиеся в OneLake, в моделиированный, запрашиваемый граф. Выполните запрос к графу с помощью визуальных средств или средств на основе GQL, которые работают через общий движок для создания визуальных, табличных или программных результатов.
В этой статье описывается архитектура графа и объясняется сквозной поток данных из источника в аналитические сведения.
На следующей схеме показан сквозной поток данных из источника в аналитические сведения:
Источники данных
Данные исходят из внешних систем, таких как службы Azure, другие облачные платформы или локальные источники. Графические функции в Microsoft Fabric обрабатывают данные из этих источников после их загрузки в OneLake, где граф может считывать данные.
Хранилище в OneLake
Вы сохраняете ингестированные данные в OneLake как табличные исходные таблицы в лейкхаусе. Граф принимает данные из таблиц Lakehouse при сохранении модели, так что вам не нужно настраивать отдельный конвейер ETL или перемещать данные во внешнюю базу данных.
Моделирование графа
На шаге моделирования графа необходимо определить схему графа, указав:
- Типы узлов: Сущности в данных, такие как клиенты, продукты или заказы.
- Типы связей: Отношения между сущностями, такими как "покупки", "содержат" или "производит".
- Сопоставления таблиц: Сопоставление определений узлов и ребер с базовыми исходными таблицами.
На этом шаге создается структура графа свойств с метками . Завершите моделирование графа перед запросом графа. Рекомендации по принятию этих решений по моделированию см. в разделе "Проектирование схемы графа".
Замечание
Граф в настоящее время не поддерживает эволюцию схемы. Если необходимо внести структурные изменения, такие как добавление новых свойств, изменение меток или типов связей, повторно импортируйте обновленные исходные данные в новую модель.
Граф, доступный для запросов
При сохранении модели граф интегрирует данные из базовых таблиц озерахранилища и создает граф, оптимизированный для чтения и доступный для запроса. Эта графовая структура оптимизирована для обхода и сопоставления шаблонов, что позволяет быстро и эффективно выполнять запросы графов в рамках больших объемов данных.
Создание запросов
Вы создаете запросы к запрашиваемому графу с помощью одного из двух интерфейсов:
- Построитель запросов: Визуальный, интерактивный интерфейс для изучения узлов и связей без написания кода. Дополнительные сведения см. в статье "Запрос графа" с помощью построителя запросов.
- Редактор кода: Текстовый редактор для написания запросов GQL (язык запросов Graph ). Дополнительные сведения см. в статье "Запрос графа с помощью GQL".
Оба варианта предназначены для одного базового графа. Выберите интерфейс разработки, соответствующий рабочему процессу.
Выполнение запросов
Запросы выполняются через общий уровень выполнения, который поддерживает:
- GQL: Запрашивает граф с помощью международного стандарта для языка запросов графа (ISO/IEC 39075).
- Естественный язык для GQL (NL2GQL) (предварительная версия): Преобразует вопросы естественного языка в запросы GQL. Добавьте Граф в Microsoft Fabric в качестве источника данных с помощью Агента данных Fabric для активации графовых умозаключений на базе ИИ. Дополнительные сведения о том, как работает NL2GQL, см. в объявлении о возможностях искусственного интеллекта с использованием графов.
- Выполнение на основе REST: Выполняет запросы программным способом с помощью API запросов GQL.
Подсказка
Выберите путь запроса: Используйте GQL или REST для прямого программного доступа к данным графа с полным контролем над структурой запросов. Используйте NL2GQL (предварительная версия) через агента данных Fabric, когда требуется доступ к естественному языку — идеально подходит для сценариев разговорного ИИ и ассистентов знаний.
Этот слой выполняет логику запроса на графе, допускающем запросы, и возвращает результаты.
Результаты запроса
В зависимости от того, как запрашивать граф, вы получите результаты в одном или нескольких из следующих форматов:
- Диаграммы визуальных графов: Интерактивные визуализации узлов и связей.
- Табличные результирующие наборы: Структурированные данные в строках и столбцах.
- Программные ответы: Выходные данные JSON для использования с REST API или в нижестоящих системах.
Интерактивный просмотр результатов, предоставление общего доступа к ним в виде наборов запросов только для чтения или их использование в других средствах и приложениях.