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
String 备份关联的图ID。 graph_name String 备份关联的图Name。 graphStatus String 备份关联的图状态。 graphSizeTypeIndex String 备份关联的图规格。 dataStoreVersion String 备份关联的图版本。 arch
} ] } 添加边时的平行边处理策略： 通过cypher添加边的时候，允许添加重复边，此处的重复边的定义为<源点，终点>相同的两条边。 添加无label的边的方法： 通过Cypher添加边时必须指定label，所以指定待添加边的label为默认值”__DEFAULT__”即可，例如create
您想要获得全量的算法结果可以采用API方式调用，具体请参考算法API。 以模板中的电影数据为例，运行后得到的PageRank值如下图所示。 图3 查询分析结果 将参数进行调整后，再次运行算法得到的PagRank值不同，但TOP排序不会有明显差异。 挑出了最有影响力的两部电影，分别是ID
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
filtered_all_shortest_paths 具体格式请见 Filtered-query API中的表6。 edge_filter 否 Object 路径中对边（关系）的过滤条件。 支持的算法（以下显示的均为算法实际调用时的名称）： filtered_shortest_path filtered_al
默认值为“async”。 支持的算法（以下显示的均为算法实际调用时的名称）： shortest_path shortest_path_of_vertex_sets offset 否 Integer 同步结果的偏移量，默认值为“0”。 说明： executionMode=sync时有效。 支持的算法（以下显示的均为算法实际调用时的名称）：
否 边上权重 String 空或字符串 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，当某边没有对应属性时，权重将默认为“1” 说明： 边上权重应大于0。 weight 注意事项 Louvain算法只生成最后的社区结果，不保存层次化结果。 示例 输入参数coverage=0
在图引擎编辑器左侧的算法区内，选择PagePank算法并设置参数。 单击运行算法分析，分析结束后您可以在绘图区看到查询结果所展示的图。 单击绘图区左上角的3D切换按钮，画布上的图将会切换成3D的图画面。 图1 3D效果展示 父主题： 访问图和分析图
是否必选 类型 说明 format 否 String 算法结果的输出格式。可选值是["JSON", "TXT"]，默认值是"JSON"。TXT格式请参考算法结果TXT格式说明。 mode 否 String 算法结果的输出模式。可选值是["FULL", "TRUNCATED"]。默认值是"TRUNCATED"。
为什么有些算法单击右边“运行”按钮没有反应？ 这种算法需要设置参数才能运行。 您需要单击该算法左侧图标，输入正确的参数后，单击执行算法。 图1 设置算法参数 父主题： 界面问题
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/{project_id}/
功能介绍 提供灵活的DSL帮助用户低成本设计并运行算法。DSL算法详细介绍请参考DSL语法说明。 DSL算法执行结束后，用户需使用HyG算法结果转存API将DSL执行结果转存到OBS上。转存之后，您可以通过stdout等文件查看算法结果，由于HyG图是分布式的，结果文件可能有多个，对应不同分区的结果。
是否考虑边的方向。取值为true或false。默认值为true。 迭代次数（iterations）和收敛精度（convergence）。 算法终止的条件：要么达到设置的最大迭代次数，要么满足收敛精度，满足其一即可。 一般来说，收敛精度设置得越小，迭代次数设置得越大，算法的效果越好。
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
2000]，默认值为100。 weight 否 String 边上权重，取值为空或字符串， 当图中的边没有配置该属性时，算法会报错。 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。 OD_pairs和seeds参数二选一，当OD_pairs和seeds同时输
Match<Vertex>的gather Match<Vertex>上的Gather操作会将传入的Lambda函数中定义的所有操作作用在Match匹配的点的边上。 点匹配器Match仅接收包含两个输入参数的Lambda表达式。第一个参数指代边上的source点，第二个参数指代边上的target点。
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/{graph_name}/algorithm
功能介绍 根据输入参数，执行infomap算法。 infomap算法是一种基于信息论的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标为找到最优的社区结构，使节点的层次编码长度最小。 URI POST /ges/v1.0/{project_id}
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
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。 适用场景
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
