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
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_
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
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/{
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
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/{
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
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。
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。
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
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。
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。
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
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/{
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
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
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
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
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']);
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
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
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
