检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
Louvain算法 概述 Louvain算法是基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化整个社区网络的模块度。 适用场景 Louvain算法适用于社团发掘、层次化聚类等场景。 参数说明 表1 Louvain算法参数说明
louvain算法（louvain） 功能介绍 根据输入参数，执行Louvain算法。 Louvain算法是基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化整个社区网络的模块度。 URI POST /ges/v1.0/{project_id}/hyg/{
根据输入参数，执行Cesna算法。 Cesna算法是一种重叠社区发现算法，该算法将节点与社区之间的关系建模为一个二部图，假设图中节点的连边是根据社区关系生成的。此外，该算法还利用了节点属性对社区进行建模，即假设节点的属性也是根据社区关系生成的。 URI POST /ges/v1.0/{
功能介绍 根据输入参数，执行BigClam算法。 BigClam算法是一种重叠社区发现算法，该算法将节点与社区之间的关系建模为一个二部图，假设图中节点的连边是根据社区关系生成的，其可以检测出图中的重叠社区。 URI POST /ges/v1.0/{project_id}/hyg/{
infomap算法（infomap） 功能介绍 根据输入参数，执行infomap算法。 infomap算法是一种基于信息论的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标为找到最优的社区结构，使节点的层次编码长度最小。 URI POST /ges/v1.0/{project_
Sets）可以得到两个点集合（群体集合）所共有的邻居（即两个群体临域的交集），直观的发现与两个群体共同联系的对象，如发现社交场合中的共同好友、消费领域共同感兴趣的商品、社区群体共同接触过的人，进一步推测两点集合之间的潜在关系和联系程度。 适用场景 点集共同邻居算法适用于进行关系发掘、产品/好友推荐等图分析技术。
算。服务规划为DSL增加各种查询算子，细粒度的基础计算模式算子，从而使得DSL支持用户自定义的图遍历，多跳过滤查询，模式匹配，相似性算法，社区算法，推荐算法，路径分析，业务定制算法等。 例如查询点1，2为起点，第二跳的邻居点集并返回： Match<Vertex> v(['1','2']);
以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的体现了节点的传播能力。 适用场景 k核算法（k-core）适用于社区发现、金融风控等场景。 参数说明 表1 k核算法（k-core）参数说明 参数 是否必选 说明 类型 取值范围 默认值 k 是 核数。 算法会返回核数大于等于k的节点。
无标签数据进行标注，节点的相似度越大，标签越容易传播。 Louvain算法 基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化整个社区网络的模块度。 关联预测（Link Prediction） 给定两个节点，根据Jaccar
无标签数据进行标注，节点的相似度越大，标签越容易传播。 Louvain算法 基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化整个社区网络的模块度。 关联预测（Link Prediction） 给定两个节点，根据Jaccar
如何导入数据到图引擎服务？ 如果点被删除了，基于该点的边会怎么处理？ 更多 智能客服 您好！我是有问必答知识渊博的的智能问答机器人，有问题欢迎随时求助哦！ 社区求助 华为云社区是华为云用户的聚集地。这里有来自图引擎服务的技术牛人，为您解决技术难题。
签数据进行标注，节点的相似度越大，标签越容易传播。 适用场景 标签传播算法（Label Propagation）适用于资讯传播、广告推荐、社区发现等场景。 参数说明 表1 标签传播算法（Label Propagation）参数说明 参数 是否必选 说明 类型 取值范围 默认值 convergence
louvain算法（louvain）(2.2.1) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 convergence 否 收敛精度。 Double 0~1，不包括0和1。 0.00001 max_iterations 否 最大迭代次数。 Integer
Louvain算法(1.0.0) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 convergence 否 收敛精度。 Double 0~1，不包括0和1。 0.00001 max_iterations 否 最大迭代次数。 Integer 1~2000。
Sets）可以得到两个点集合（群体集合）所共有的邻居（即两个群体临域的交集），直观的发现与两个群体共同联系的对象，如发现社交场合中的共同好友、消费领域共同感兴趣的商品、社区群体共同接触过的人，进一步推测两点集合之间的潜在关系和联系程度。 商用 点集共同邻居算法 2020年4月 序号 功能名称 功能描述 阶段 相关文档
带过滤全对最短路径（Filtered All Pairs Shortest Paths） 概述 带过滤全对最短路径（Filtered All Pairs Shortest Paths）是寻找图中任意两点之间满足条件的最短路径。当前，考虑到实际应用场景，此算法需要用户指定起点集（s
OD中介中心度（od_betweenness）（2.2.4） 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串
带过滤全对最短路径（filtered_all_pairs_shortest_paths）(2.2.17) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 sources 是 起点ID集合，多个节点ID以逗号分隔（即，标准CSV输入格式） String
全对最短路径（all_pairs_shortest_paths） 功能介绍 根据输入参数，执行全对最短路径算法。 全对最短路径（all_pairs_shortest_paths）是寻找图中任意两点之间满足条件的最短路径。 URI POST /ges/v1.0/{project_i
OD中介中心度（od_betweenness） 功能介绍 根据输入参数，执行OD中介中心度算法。 OD中介中心度算法（od_betweenness）在已知一系列OD出行计划前提下，以经过某个点/某条边的最短路径数目来刻画边重要性的指标。 URI POST /ges/v1.0/{p
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
