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
否 查询的起始节点ID集合 String - 标准csv格式，ID之间以英文逗号分隔，例如：["Alice","Nana"] n 否 枚举的满足过滤条件的圈的个数的上限 Integer [1,100000] 100 statistics 否 是否输出所有满足过滤条件的圈的个数 Boolean
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。 适用场景 紧密中心度算法（Closeness
云监控服务可以对GES的运行状态进行日常监控。您可以通过云监控管理控制台，直观地查看各项监控指标。 监控数据的获取与传输会花费一定时间，因此，云监控数据显示的是当前时间5～10分钟前的状态。如果您的图刚刚创建完成，请等待5～10分钟后查看监控数据。 前提条件 创建的图运行状态正常运行。
由于GES软件版本不断升级，旧版本的图可以通过“升级”操作升级为新版本的图。 当前仅支持 1.0.3 以上版本的图的升级功能。 具体操作步骤如下： 登录图引擎服务管理控制台，在左侧导航栏，选择“图管理”。 在图管理列表中，选择需升级的图，在“操作”列选择“更多”>“升级”。 在弹出的升级提示框中，选择“版本”和是否“强制升级”。
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
不要删除存储在OBS中的数据。 导入目录下的单文件或者导入的单文件大小不能超过5GB，如果超过5GB，则会导入失败，建议把文件拆成小于5GB的多个文件后再导入。 单次导入的文件总大小（包括点、边数据集）不能超过可用内存的1/5。可用内存参考“运维监控看板”的“节点监控”中名称后缀
计费项 图引擎服务的计费简单、易于预测，对您选择的图规格（边数）、数据存储空间和公网流量收费。 表1 GES计费项说明 计费项 计费说明 图规格（边数） 根据您选择的边数大小计费。 针对边数提供预付费实例和按需（小时）两种计费模式。 数据存储空间 GES的数据通过对象存储服务（O
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
角色权限 角色是IAM最初提供的一种根据用户的工作职能定义权限的粗粒度授权机制。只包含系统角色，不可自定义角色。 表1 GES系统角色 角色名称 描述 Tenant Guest 普通租户用户。 操作权限：可以对GES资源执行查看操作。 作用范围：项目级服务。 GES Administrator
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
Service，简称GES），使用华为自研的EYWA内核，是针对以“关系”为基础的“图”结构数据，进行查询、分析的服务。广泛应用于社交关系分析、营销推荐、舆情及社会化聆听、信息传播、防欺诈等具有丰富关系数据的场景。 功能介绍 GES服务的功能主要有以下5个方面： 丰富的领域算法 支持PageRa
云监控服务可以对GES的运行状态进行日常监控。您可以通过云监控管理控制台，直观地查看各项监控指标。 监控数据的获取与传输会花费一定时间，因此，云监控数据显示的是当前时间5～10分钟前的状态。如果您的图刚创建完成，请等待5～10分钟后查看监控数据。 前提条件 创建的图运行状态正常运行。
根据输入参数，执行subgraph matching算法。 子图匹配（subgraph matching）算法的目的是在一个给定的大图里面找到与一个给定小图同构的子图，这是一种基本的图查询操作，意在发掘图重要的子结构。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
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。
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。
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。
PageRank算法。该算法继承了经典PageRank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
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
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
