-
状态码 - 图引擎服务 GES
服务器无法根据客户端请求的内容特性完成请求。 407 Proxy Authentication Required 请求要求代理的身份认证，与401类似，但请求者应当使用代理进行授权。 408 Request Time-out 服务器等候请求时发生超时。 客户端可以随时再次提交该请求而无需进行任何更改。
-
节点监控 - 图引擎服务 GES
节点监控 在运维监控页面左侧导航栏单击“监控>节点监控”，进入节点监控页面，该页面展示了节点，内存，磁盘，磁盘I/O，网络I/O的实时消耗情况。 概览 在概览页面，您可以根据节点名浏览指定节点的关键资源情况，包括：节点名称、CPU使用率（%）、内存使用率（%）、平均磁盘使用率（%
-
终端节点 - 图引擎服务 GES
终端节点 终端节点即调用API的请求地址，不同服务不同区域的终端节点不同，您可以从地区和终端节点中查询所有服务的终端节点。 图引擎服务的终端节点如下表所示，请您根据业务需要选择对应区域的终端节点。 表1 图引擎服务的终端节点 区域名称 区域 终端节点（Endpoint） 华北-北京一
-
查询点详情 - 图引擎服务 GES
查询点详情 功能介绍 根据节点ID查询节点信息，返回节点详情，包括标签和属性等。 URI GET /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/detail?vertexIds={vertex_ids} 表1 路径参数 参数
-
标签传播算法（label - 图引擎服务 GES
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。 URI
-
紧密中心度算法（Closeness Centrality） - 图引擎服务 GES
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 Centrality”越大，其在所在图中的位置越靠近中心。
-
标签传播算法（Label Propagation） - 图引擎服务 GES
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。 适用场景
-
批量点查 - 图引擎服务 GES
批量点查 功能介绍 根据批量节点ID查询节点信息，返回这些节点的详情，包括标签和属性等。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-query 表1 路径参数
-
单源最短路算法（SSSP） - 图引擎服务 GES
给出从给定的一个节点（称为源节点）出发到其余各节点的最短路径长度。 适用场景 单源最短路算法（SSSP）适用于网络路由、路径设计等场景。 参数说明 表1 单源最短路算法（SSSP）参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 节点的ID。 String
-
关联预测算法（Link Prediction） - 图引擎服务 GES
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。
-
Node2vec算法 - 图引擎服务 GES
Node2vec算法通过调用word2vec算法，把网络中的节点映射到欧式空间，用向量表示节点的特征。 Node2vec算法通过回退参数 P 和前进参数 Q 来生成从每个节点出发的随机步，带有BFS和DFS的混合，回退概率正比于1/P，前进概率正比于1/Q。每个节点出发生成多个随机步，反映出网络的结构信息。
-
时序路径分析（Temporal Paths） - 图引擎服务 GES
上后一条边的经过时间要晚于或等于前一条边，呈现时间递增（或非减）性。 时序路径不满足传递性：即从节点i到节点j有一条时序路径，从节点j到节点k有一条时序路径，并不能说明从节点i到节点k有一条时序路径。因此在求解问题上，相较于静态图上的路径求解复杂度升高，计算难度变大，但时序路径分
-
查询点详情(1.0.0) - 图引擎服务 GES
查询点详情(1.0.0) 功能介绍 根据节点ID查询节点信息，返回节点详情，包括标签和属性等。 URI GET /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/detail?vertexIds={vertex_ids} 表1
-
批量点查(1.1.9) - 图引擎服务 GES
批量点查(1.1.9) 功能介绍 根据批量节点ID查询节点信息，返回这些节点的详情，包括标签和属性等。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-query
-
批量删除点(2.1.9) - 图引擎服务 GES
批量删除点(2.1.9) 功能介绍 根据批量节点ID删除节点。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-delete 表1 路径参数 参数 是否必选 类型
-
中介中心度算法（betweenness） - 图引擎服务 GES
HyG对缺失属性进行了默认处理支持。 seeds 否 String 节点ID，输入节点个数不大于100000。 当图较大时，运行精确betweenness较慢，可以设置seeds作为采样节点，进行近似运算，seeds节点越多越接近精确解。 k 否 Integer 采样个数，k不大于100000。
-
批量删除点 - 图引擎服务 GES
批量删除点 功能介绍 根据批量节点ID删除节点。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-delete 表1 路径参数 参数 是否必选 类型 说明 project_id
-
k核算法（k-core） - 图引擎服务 GES
k核算法（k-core） 概述 k核算法（k-core）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。 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
-
群体演化 - 图引擎服务 GES
sources：表示群体内包含的节点ID，最多可以输入十万个节点，节点之间需要用逗号隔开。 图1 群体演化模块 输入完成后，单击“群体演化”模块右侧的按钮，运行结果将在画布上展示。 图2 动态图展示 界面元素 说明 动态图的开始运行按钮。 动态图的播放方向，默认开启为正向播放，关闭后为反向播放。
-
Cesna算法（cesna） - 图引擎服务 GES
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/{p
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
