正在生成
详细信息:
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
导出过滤后的边(2.2.7) 功能介绍 导出满足过滤条件的边集合。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/edges/action?action_id=export 请求参数 表1 Body参数说明 参数 是否必选
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。利用样本间的关系建图,节点包括已标注和未标注数据,其边表示两个节点的相似度,节点的标签按相似度传递给其他节点。标签数据就像是一个源头,可以对无标签数据进行标注,节点的相似度越大,标签越容易传播。
删除过滤后的边(2.2.7) 功能介绍 删除满足过滤条件的边集合。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/edges/action?action_id=delete 请求参数 表1 Body参数说明 参数 是否必选
路径,格式: [[path1],[path2]] 其中,路径(path)的格式可参考:最短路径(Shortest Path)。 source String 路径的起点ID。 target String 路径的终点ID。 父主题: 算法API参数参考
k核算法(kcore) 功能介绍 根据输入参数,执行K核算法。 K核算法是图算法中的一个经典算法,用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。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
查询边详情(1.0.0) 功能介绍 根据边的起点、终点以及索引,查询边的详细信息,返回边上的标签和属性等。 URI GET /ges/v1.0/{project_id}/graphs/{graph_name}/edges/detail?source={sourceVertex}&
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_i
根据输入参数,执行link_prediction算法。 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。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
是否考虑边的方向。取值为true或者false,默认值为true。 weight 否 String 边上权重,取值为空或字符串。 当某边没有对应属性时,权重将默认为1。 空:边上的权重、距离默认为“1"。 字符串:对应的边上的属性将作为权重。 说明: 不支持对缺失属性值的默认处理,会直接报错。
是否考虑边的方向 Bool true或false false timeWindow 否 用于进行时间过滤的时间窗 Json 具体请参见表2。 - 表2 timeWindow参数说明 参数 是否必选 说明 类型 取值范围 默认值 filterName 否 用于进行时间过滤的时间属性名称
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。
labelDetails 否 Boolean 是否返回不同label下点边的数目信息,默认为false。为true时,返回不同label的点边数目。 请求示例 查询图的点数和边数等概要信息,true表示返回不同label的点边数目。 GET http://{SERVER_URL}/ges/v1
图名称。 sourceVertex 是 String 边的起点。 targetVertex 是 String 边的终点。 label(持久化版) 否 String 边的label值。 sortKey(持久化版) 否 String 重复边的sortKey值。 sortKeyType(持久化版)
temporal paths算法,返回距离最短的时序路径 foremost:运行foremost temporal paths算法,返回尽可能早的到达目标节点的时序路径 fastest:运行fastest temporal paths算法,返回耗费时间最短的时序路径 表4 dynamicRange
Detection) 概述 单点环路检测(Single-Vertex-Circles-Detection)是一个经典的图问题,意在寻找图中的环路。环路上的点较好地体现了该点的重要性。 适用场景 单点环路检测适用于交通运输、金融风控等场景。 参数说明 表1 Single-Vertex-C
String 输入路径的起点ID。 directed 否 Boolean 是否考虑边的方向。取值为true或false。 说明: false当前版本在有权图上不支持。 当数据集不包含inedge时,若directed=true,选择一个不依赖于Inedge的算法实现版本计算输出,
表3 data参数说明 参数 类型 说明 vertexNum Integer 图的点数。 edgeNum Integer 图的边数。 labelDetails(2.2.14) Object 不同label下的点边数目信息。若需要正常显示此字段,请按照表 labelDetails数据各要素说明建立点边索引。
点集全最短路算法(Shortest Path of Vertex Sets)用于发现两个点集之间的所有最短路径。 适用场景 点集最短路算法可应用于互联网社交、金融风控、路网交通、物流配送等场景下的区块之间关系的分析。 参数说明 表1 All Shortest Paths of Vertex Sets参数说明
edges 是 Object 待查询的边数组。 表3 edges参数说明 参数 是否必选 类型 说明 source 是 String 边的source节点。 target 是 String 边的target节点。 label 否 String 边的label。 sortKey 否
根据输入参数,执行紧密中心度算法。 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。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm