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
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。
最短路径算法(Shortest Path) 概述 最短路径算法(Shortest Path)用以解决图论研究中的一个经典算法问题,旨在寻找图中两节点之间的最短路径。 适用场景 最短路径算法(Shortest Path)适用于路径设计、网络规划等场景。 参数说明 表1 最短路径算法(Shortest
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。
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
单源最短路算法(SSSP) 概述 单源最短路算法(SSSP)计算了图论中的一个经典问题,给出从给定的一个节点(称为源节点)出发到其余各节点的最短路径长度。 适用场景 单源最短路算法(SSSP)适用于网络路由、路径设计等场景。 参数说明 表1 单源最短路算法(SSSP)参数说明 参数
标签传播算法(Label Propagation) 概述 标签传播算法(Label 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
关联路径算法(n-Paths) 概述 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
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
三角计数算法(Triangle Count) 概述 三角计数算法(Triangle Count)统计图中三角形个数。三角形越多,代表图中节点关联程度越高,组织关系越严密。 适用场景 三角计数算法(Triangle Count)适用于衡量图的结构特性场景。 参数说明 参数 是否必选
获取备份下载链接(2.4.3) 功能介绍 通过该API,您可以获取备份文件下载链接,在有效期(3600秒)之内,您可以通过URL直接下载备份文件。 调试 您可以在API Explorer中调试该接口,支持自动认证鉴权。API Explorer可以自动生成SDK代码示例,并提供SDK代码示例调试功能。
全最短路算法(All Shortest Paths) 概述 全最短路径算法(All Shortest Paths)用以解决图论研究中的一个经典算法问题,旨在寻找图中两节点之间的所有最短路径。 适用场景 全最短路径算法(All Shortest Paths)适用于路径设计、网络规划等场景。
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。
jobID:异步任务的jobId。 图名称:只有持久化版图会显示图名称。 任务类型:异步任务类型(类型包括ImportGraph、VertexQuery)。 原始请求:用户发给接口原始请求的body体。 状态:包括等待、运行中、完成、取消四种。 进度:表示当前任务的运行进度。 开始时间:任务开始运行的时间,如果任务没有开始运行,该值为空。
点集最短路(Shortest Path of Vertex Sets) 概述 点集最短路算法(Shortest Path of Vertex Sets)用于发现两个点集之间的最短路径。 适用场景 点集最短路算法(Shortest Path of Vertex Sets)适用于互联
点集共同邻居(Common Neighbors of Vertex Sets) 概述 点集共同邻居(Common Neighbors of Vertex 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
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
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
从本地或OBS导入数据 在图引擎管理控制台,单击左侧导航栏的“元数据管理”。 在“元数据管理”页面,单击左上角“导入”。 在“导入”页面,您可以在“类型”中选择从“本地”或从“OBS”中导入元数据。 从本地导入 “选择本地文件”:单击“上传”,选择本地的文件。 文件格式必须为xml格式。
ges/v1.0/{project_id}/graphs/{graph_name}/vertices/Lily SERVER_URL:图的访问地址,取值请参考业务面API使用限制。 响应示例 状态码: 200 成功响应示例 Http Status Code: 200 { "result":
/v1.0/{project_id}/graphs/{graph_name}/indices/ageIndex SERVER_URL:图的访问地址,取值请参考业务面API使用限制。 响应示例 状态码: 200 成功响应示例 Http Status Code: 200 { "jobId":