正在生成
详细信息:
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
allow。 allow表示允许重复边。 ignore表示忽略之后的重复边。 override表示覆盖之前的重复边。 图规格为(持久化版)的图暂不支持该参数。 ignoreLabel 否 Boolean 重复边的定义,是否忽略Label。取值为true或者false,默认取true。
供电管理图模板 操作场景1:供电范围查询。 包含的子操作: 查找位于变电站中的母线。 查找某根母线的供电范围。 查找某根母线供电范围内的用户点。 操作步骤:您只需要单击运行键,如有弹框,在弹框内选择母线值,运行后即可在画布显示效果图。 操作场景2:停电故障分析。 包含的子操作: 从停电用户点回溯定位故障点。
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
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。 参数说明 无。 示例 单击运行,计算图的度数关联度,JSON结果会展示在查询结果区。 父主题:
Count)适用于衡量图的结构特性场景。 参数说明 参数 是否必选 说明 类型 取值范围 statistics 否 是否仅输出总的统计量结果: true:仅输出总的统计数量。 false:输出各点对应三角形数量。 Boolean true或false,默认为true。 使用说明 不考虑边的方向以及多边情况。
连通分量算法(Connected Component) 概述 连通分量代表图中的一个子图,当中所有节点都相互连接。考虑路径方向的为强连通分量(strongly connected component),不考虑路径方向的为弱连通分量(weakly connected component)。连通分量算法(Connected
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
关联路径算法(n-Paths)用于寻找图中两节点之间在层关系内的n条路径。 适用场景 关联路径算法(n-Paths)适用于关系分析、路径设计、网络规划等场景。 参数说明 表1 关联路径算法(n-Paths)参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 输入路径的起点ID String -
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地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,因此可
sources 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 枚举满足过滤条件的圈的个数上限 Int [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
OBS对象名约束 图引擎服务支持的OBS对象名支持以下字符: 字母数字字符 0-9 a-z A-Z 特殊字符 ! - _ . * ' ( ) 中文 \u4e00-\u9fa5 暂不支持的字符有: 特殊字符 \ { ^ } % ` ] " > [ ~ < # | & @ : , $
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。 参数说明
Paths:表示距离最短的时序路径。 Foremost Temporal Paths:表示尽可能早的到达目标节点的时序路径。 Fastest Temporal Paths :表示耗费时间最短的时序路径。 适用场景 适用于疫情或疾病传播溯源、信息传播和舆情分析、结合时序的路径规划、资金流通路径等场景。
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。
执行成功时,字段可能为空。 执行失败时,用于显示错误码。 jobId String 查询节点任务ID。请求失败时字段为空。 jobType String 执行该异步任务的jobType。 请求示例 生成以label为点,label间关系为边的schema结构。 POST http://{SERVER_URL}/ges/v1
GES资源 资源是服务中存在的对象。在GES中,资源如下,您可以在创建自定义策略时,通过指定资源的路径来选择特定资源。 表1 GES的指定资源与对应路径 指定资源 资源名称 资源的路径 graphName GES图名称 graphName backupName GES备份名称 backupName
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
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。
Paths)参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 输入路径的起点ID String - - target 是 输入路径的终点ID String - - directed 否 是否考虑边的方向 Bool true或false false 注意事项 无。 示例 输入参数source