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
数据源类型：按实际数据源选择，目前支持Mysql、神通数据库、Oracle、DWS、Hive。 图名称：选择需要导入数据的图。 网段CIDR：数据源所在子网的网段。 访问IP地址：数据源的数据库的IP。 访问端口：数据源的数据库的端口(Hive不涉及)。 数据库名称：数据源的数据库的名称。 数
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/{g
OBS认证参数。请参见表 obsParameters参数说明。 labels labels和edgeFilters两者必选其一 String 关系类型过滤条件。 edgeFilters labels和edgeFilters两者必选其一 String 过滤条件，按属性过滤，JsonArray格式字符串。请参见表
请求参数 表1 Body参数说明 参数 是否必选 类型 说明 labels labels和edgeFilters两者必选其一 String 关系类型过滤条件。 edgeFilters labels和edgeFilters两者必选其一 String 过滤条件，按属性过滤，JsonArray格式字符串。
用于发现两个点集之间的最短路径。适用于互联网社交、金融风控、路网交通、物流配送等场景下的区块之间关系分析。 关联路径（n-Paths） 该算法用于寻找图中两节点之间在k层关系内的n条路径。适用于关系分析、路径设计、网络规划等场景。 紧密中心度（Closeness Centrality） 紧密中心度
用于发现两个点集之间的最短路径。适用于互联网社交、金融风控、路网交通、物流配送等场景下的区块之间关系分析。 关联路径（n-Paths） 该算法用于寻找图中两节点之间在k层关系内的n条路径。适用于关系分析、路径设计、网络规划等场景。 紧密中心度（Closeness Centrality） 紧密中心度
使用算法分析图 服务为您提供了丰富的基础图算法、图分析算法和图指标算法，您可以使用图算法做关系分析等。 操作步骤 进入图引擎编辑器页面，详细操作请参见访问图引擎编辑器。 在算法分析区，你可以选择算法，并设置参数。 图引擎服务支持的算法如算法一览表所示，详细算法介绍请参见算法参考。
Recommendation）是一种基于随机游走模型的实时推荐算法，能够推荐与输入节点相近程度高、关系或喜好相近的节点。 适用场景 实时推荐算法（Real-time Recommendation）可以基于历史购买和浏览数据进行相近商品推荐，也可以为用户进行相近喜好的潜在好友推荐。 适用于电商、社交等多领域的推荐场景。
边中介中心度算法（Edge-betweenness Centrality）以经过某条边的最短路径数目来刻画边重要性的指标。 适用场景 同betweenness类似，可用作关键关系的发掘；适用于社交、金融风控、交通路网、城市规划等领域 参数说明 表1 Edge-betweenness Centrality算法参数说明
使用HyG算法分析图 GES服务为您提供了丰富的基础图算法、图分析算法和图指标算法，您可以使用图算法做关系分析等。 前提条件 前端创建持久化版图时，选择开启HyG计算引擎。 图1 HyG计算引擎 操作步骤 创建HyG图。 发送“POST /ges/v1.0/{project_id
生成Schema结构 功能介绍 生成以label为点，label间关系为边的schema结构，并存储在OBS上。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/schema/structure/build 表1 路径参数 参数
Neighbors）是一种常用的基本图分析算法，可以得到两个节点所共有的邻居节点，直观地发现社交场合中的共同好友、以及在消费领域共同感兴趣的商品，进一步推测两个节点之间的潜在关系和相近程度。 适用场景 共同邻居算法（Common Neighbors）适用于电商、社交等多领域的推荐场景。 参数说明 表1 共同邻居参数说明
删除：单击可删除已添加的边过滤条件。 “+”按钮：可以新增一个属性过滤条件。 当过滤条件多于一条时，单击AND旁，可以选择过滤条件间的逻辑关系为并（AND）还是或（OR）。 图8 选择逻辑关系 AND的逻辑运算优先级高于OR，需要合理规划各过滤条件的顺序。运算顺序如下： 先运算所有的AND运算，存在一个假即为假
n_paths算法（n_paths） 功能介绍 根据输入参数，执行n_paths算法。 n_paths算法用于寻找图中两节点之间在层关系内的n条路径。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm 表1 路径参数
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 参数 是否必选 说明 类型 取值范围
点集最短路算法（Shortest Path of Vertex Sets）适用于互联网社交、金融风控、路网交通、物流配送等场景下的区块之间关系分析。 参数说明 表1 点集最短路算法（Shortest Path of Vertex Sets）参数说明 参数 是否必选 说明 类型 取值范围
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。
查询和分析图 在“图管理”页面，可以通过“访问”操作对创建好的图数据进行查询和分析。 操作步骤 在“图管理”页面，选择已创建的图，在“操作”列选择“访问”，进入图引擎编辑器页面。 编辑器页面分布如图1所示，您可按照以下操作来熟悉编辑器功能： 算法区：选择任意算法，填写相关参数，执
n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 表1 路径参数 参数
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
