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
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 标签传播算法（Label Propagation）适用于资讯传播、广告推荐、社区发现等场景。
中介中心度算法（Betweenness Centrality） 概述 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别；适用于社交、金融风控、交通路网、城市规划等领域
OD中介中心度（OD-betweenness Centrality） 概述 OD中介中心度算法（OD-betweenness Centrality）在已知一系列OD出行计划前提下，以经过某个点/某条边的最短路径数目来刻画边重要性的指标。 适用场景 可用作社交、风控等网络中“中间人
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 POST /ges/v1.0/{project_id}/
在线生成SDK代码 API Explorer的代码示例能根据需要填写参数后动态生成SDK代码，降低您使用SDK的难度，推荐使用。 GES在API Explorer仅对接常用Region供用户调试，若动态生成代码的客户端初始化使用的Region不满足使用场景，可参考如下代码： //
度数关联度算法（Degree 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。
紧密中心度算法（Closeness 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
紧密中心度算法（closeness） 功能介绍 根据输入参数，执行紧密中心度算法。 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。 URI POST /ges/v1.0/{project_id}/h
边中介中心度（Edge-betweenness Centrality） 概述 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
边中介中心度（edge_betweenness） 功能介绍 根据输入参数，执行边中介中心度算法。 边中介中心度算法（edge_betweenness）以经过某条边的最短路径数目来刻画边重要性的指标。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
紧密中心度（closeness）(1.0.0) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 输入需要计算的节点ID。 String - - 表2 response_data参数说明 参数 类型 说明 closeness Double
中介中心度算法（betweenness） 功能介绍 根据输入参数，执行中介中心度算法。 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 URI POST /ges/v1.0/{project_id}/hyg/{g
该场景能帮助您实现以下功能。 推荐好友、商品或资讯 通过好友关系、用户画像、行为相似性、商品相似性、资讯传播的途径等，实现好友、商品或资讯的个性化推荐。 用户分群 通过对用户画像、行为相似度或者好友关系等，进行用户分群，实现用户群体分析管理。 异常的行为分析 通过对用户行为、
OD中介中心度（od_betweenness） 功能介绍 根据输入参数，执行OD中介中心度算法。 OD中介中心度算法（od_betweenness）在已知一系列OD出行计划前提下，以经过某个点/某条边的最短路径数目来刻画边重要性的指标。 URI POST /ges/v1.0/{p
边中介中心度（edge_betweenness）(2.2.4) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串
OD中介中心度（od_betweenness）（2.2.4） 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串
中介中心度算法（betweenness）(2.2.4) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串
度数关联度（degree_correlation）(1.0.0) 表1 response_data参数说明 参数 类型 说明 degree_correlation Double 度关联度 父主题： 算法API参数参考
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。 参数说明
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。 Louvain算法 基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
