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
三角计数算法（triangle_count） 功能介绍 根据输入参数，执行三角计数算法。 三角计数算法（Triangle Count）统计图中三角形个数。三角形越多，代表图中节点关联程度越高，组织关系越严密。 URI POST /ges/v1.0/{project_id}/hyg
中介中心度算法（betweenness） 功能介绍 根据输入参数，执行中介中心度算法。 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 URI POST /ges/v1.0/{project_id}/hyg/{g
k跳算法（k_hop） 功能介绍 根据输入参数，执行k跳算法。 k跳算法从起点出发，通过宽度优先搜索（BFS），找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k跳算法会返回ego-net中节点及其个数。 URI POST /ges/v1.0/{project
聚类系数算法（cluster_coefficient） 功能介绍 根据输入参数，执行cluster_coefficient算法。 聚类系数算法（cluster_coefficient）用于计算图中节点的聚集程度。 URI POST /ges/v1.0/{project_id}/h
最短路径算法（Shortest Path） 概述 最短路径算法（Shortest Path）用以解决图论研究中的一个经典算法问题，旨在寻找图中两节点之间的最短路径。 适用场景 最短路径算法（Shortest Path）适用于路径设计、网络规划等场景。 参数说明 表1 最短路径算法（Shortest
） topicrank算法（topicrank） louvain算法（louvain） Bigclam算法（bigclam） Cesna算法（cesna） infomap算法（infomap） 标签传播算法（label_propagation） 子图匹配算法（subgraph matching）
k跳算法（k-hop） 概述 k跳算法（k-hop）从起点出发，通过宽度优先搜索（BFS），找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k跳算法会返回ego-net中节点的个数。 适用场景 k跳算法（k-hop）适用于关系发现、影响力预测、好友推荐等场景。
算法参考 算法一览表 PageRank算法 PersonalRank算法 k核算法（k-core） k跳算法（k-hop） 最短路径算法（Shortest Path） 全最短路算法（All Shortest Paths） 单源最短路算法（SSSP） 关联路径算法（n-Paths）
关联预测算法（Link Prediction） 概述 关联预测算法（Link Prediction）给定两个节点，根据Jaccard度量方法计算两个节点的相似程度，预测节点之间的紧密关系。 适用场景 关联预测算法（Link Prediction）适用于社交网上的好友推荐、关系预测等场景。
算法API参数参考 算法公共参数 pagerank算法(1.0.0) personalrank算法(1.0.0) k核算法（kcore）(1.0.0) k跳算法（k_hop）(1.0.0) 共同邻居（common_neighbors）(1.0.0) 点集共同邻居(common_n
度数关联度算法（Degree Correlation） 概述 度数关联度算法（Degree Correlation）计算所有边上起点和终点度数之间的Pearson关联系数，常用来表示图中高度数节点是否和高度数节点相连。 适用场景 度数关联度算法（Degree Correlation）适用于衡量图的结构特性场景。
聚类系数算法（Cluster Coefficient） 概述 聚类系数表示一个图中节点聚集程度的系数。在现实的网络中，尤其是在特定的网络中，由于相对高密度连接点的关系，节点总是趋向于建立一组严密的组织关系。聚类系数算法（Cluster Coefficient）用于计算图中节点的聚集程度。
标签传播算法（label_propagation） 功能介绍 根据输入参数，执行label_propagation算法。 标签传播算法（Label Propagation）是一种基于图的半监督学习方法，其基本思路是用已标记节点的标签信息去预测未标记节点的标签信息。利用样本间的关系
k核算法（kcore）(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 k 是 核数。 算法会返回核数大于等于k的节点。 Integer 大于等于0。 - 表2 response_data参数说明 参数 类型 说明 coreness
node2vec算法（node2vec）(1.0.5) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 P 否 回退参数。 Double 大于0 1 Q 否 前进参数。 Double 大于0 1 dim 否 映射维度。 Integer 1~200，包括1和200。
执行DSL算法 功能介绍 提供灵活的DSL帮助用户低成本设计并运行算法。DSL算法详细介绍请参考DSL语法说明。 DSL算法执行结束后，用户需使用HyG算法结果转存API将DSL执行结果转存到OBS上。转存之后，您可以通过stdout等文件查看算法结果，由于HyG图是分布式的，结果文件可能有多个，对应不同分区的结果。
三角计数算法（Triangle Count） 概述 三角计数算法（Triangle Count）统计图中三角形个数。三角形越多，代表图中节点关联程度越高，组织关系越严密。 适用场景 三角计数算法（Triangle Count）适用于衡量图的结构特性场景。 参数说明 无 使用说明 不考虑边的方向以及多边情况。
紧密中心度算法（Closeness Centrality） 概述 紧密中心度算法（Closeness Centrality）计算一个节点到所有其他可达节点的最短距离的倒数，进行累积后归一化的值。紧密中心度可以用来衡量信息从该节点传输到其他节点的时间长短。节点的“Closeness
带过滤的n_paths算法（filtered_n_paths）(2.2.22) 概述 带过滤的n_paths算法是给定起始点source、目的点target、跳数k、路径数n、过滤条件filters，找出source和target间不多于n条的k跳无环路径。 算法名称：带过滤的n_paths
k跳算法（k_hop）(1.0.0) 表1 parameters参数说明 参数 是否必选 类型 说明 k 是 Integer 跳数，取值范围[1,100]。 num_thread 否 Integer 并发线程数。范围为[1,40]，小于1会自动置为1，大于40则自动置为40。默认值为4。
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
