-
带过滤全对最短路径(filtered - 图引擎服务 GES
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 source节点的个数不超过10000个。 - targets 是 终点ID集合,多个节点ID以逗号分隔(即,标准CSV输入格式) String target节点的个数不超过10000个。
-
关联预测算法(link - 图引擎服务 GES
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
-
最短路径算法(Shortest Path) - 图引擎服务 GES
filterName 是 用于进行时间过滤的时间属性名称 String 字符串:对应的点/边上的属性作为时间 - filterType 否 在点或边上过滤 String V:点上 E:边上 BOTH:点和边上 BOTH startTime 否 起始时间 String Date型字符串或时间戳
-
单源最短路算法(sssp) - 图引擎服务 GES
单源最短路算法(sssp) 功能介绍 根据输入参数,执行单源最短路算法。 单源最短路算法是对于给定一个节点(称为源),给出从该源节点出发到其余各节点的最短路径长度。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
-
共同邻居算法(Common Neighbors) - 图引擎服务 GES
共同邻居算法(Common 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。
-
中介中心度算法(Betweenness Centrality) - 图引擎服务 GES
将默认为1。 说明: 边上权重应大于0。 - seeds 否 节点ID String 当图较大时,运行betweenness较慢,可以设置seeds作为采样节点,进行近似运算,seeds节点越多越接近准确解。输入节点个数不大于100000。 - k 否 采样个数 Integer
-
带一般过滤条件环路检测(filtered - 图引擎服务 GES
否 表示当前层查询时点的过滤条件。具体格式请见 Filtered-query API中的表6 property_filter元素格式。 Object - - times 否 以相同的过滤条件查询的层数 Integer [1,10] 1 第一层的过滤条件是对初始节点的过滤,因此仅vertex_filter参数有效。
-
动态拓展(temporal - 图引擎服务 GES
动态拓展(temporal_bfs) 功能介绍 指定某个起始节点id,结合消息传递时间递增和BFS遍历顺序(Temporal BFS算法),搜索周围与之相关联的点,输出对应各节点的到达时间,以及与源起点之间的距离。 图1 原理展示 URL POST /ges/v1.0/{proj
-
聚类系数算法(Cluster Coefficient) - 图引擎服务 GES
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。 适用场景 聚类系数算法(Cluster
-
如何快速使用GES服务 - 图引擎服务 GES
如何快速使用GES服务 图引擎服务(Graph Engine Service,简称GES),是国内首个商用的、拥有自主知识产权的国产分布式原生图引擎,是针对以“关系”为基础的“图”结构数据,进行查询、分析的服务。广泛应用于社交应用、企业关系分析、风控、推荐、舆情、防欺诈等具有丰富关系数据的场景。
-
k核算法(kcore) - 图引擎服务 GES
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
-
如果点被删除了,基于该点的边会怎么处理? - 图引擎服务 GES
如果点被删除了,基于该点的边会怎么处理? GES基于属性图(Property graph)模型导入图数据,一个属性图是由点、边、标签(Label)和属性(Property)组成的有向图。 点又称作节点(Node),边又称作关系(Relationship),点和关系是最重要的实体。
-
动态群体演化(temporal - 图引擎服务 GES
parameters参数说明 参数 是否必选 类型 说明 source 是 String 群体内包含的节点id,最多输入100000个节点。 temporal_vertex 否 Boolean 是否对节点执行群体演化,默认为false。 响应参数 表6 响应参数说明 参数 类型 说明 errorMessage
-
度数关联度算法(Degree Correlation) - 图引擎服务 GES
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。
-
点集共同邻居(common - 图引擎服务 GES
true或false。 false:不带额外约束,即找到的共同邻居为起点集和终点集对应邻域的交集。 true,带额外约束,这里指找到的共同邻居不仅是起点集和终点集邻域的交集,同时共同邻居集合中的每个点都至少有2个以上邻居节点在起点集和终点集中。 true 表2 response_data参数说明
-
动态拓展 - 图引擎服务 GES
动态拓展 指定某个起始节点id,结合消息传递时间递增和BFS遍历顺序(temporal bfs算法),搜索周围与之相关联的点,输出对应各节点的到达时间以及和源起点之间的距离。具体操作步骤如下: 在左侧“动态图”操作区的“动态拓展”模块内填写参数: 开始和结束的时间以及属性值在上述
-
k跳算法(k - 图引擎服务 GES
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_id
-
k跳算法(k-hop) - 图引擎服务 GES
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。
-
personalrank算法(personalrank) - 图引擎服务 GES
算法的思想,利用图链接结构来递归计算各节点的重要性。与PageRank算法不同的是,为了保证随机行走中各节点的访问概率能够反映出用户的偏好,PersonalRank算法在随机行走中的每次跳转会以(1-alpha)的概率返回到source节点。 URI POST /ges/v1.0
-
点集共同邻居(common - 图引擎服务 GES
true或false。 false:不带额外约束,即找到的共同邻居为起点集和终点集对应邻域的交集。 true,带额外约束,这里指找到的共同邻居不仅是起点集和终点集邻域的交集,同时共同邻居集合中的每个点都至少有2个以上邻居节点在起点集和终点集中。 true 表2 response_data参数说明