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
关联预测(link_prediction)(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 输入起点ID。 String - - target 是 输入终点ID。 String - - 表2 response_data参数说明
关联预测算法(link_prediction) 功能介绍 根据输入参数,执行link_prediction算法。 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。 URI POST /ges/v1
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。
根据输入参数,执行label_propagation算法。 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,节点的标签按相似度
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,节点的标签按相似度
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
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。 参数说明 表1 k跳算法(k-hop)参数说明 参数 是否必选 说明 类型 取值范围 默认值 k 是 跳数 Integer
按需计费是一种先使用再付费的计费模式,适用于无需任何预付款或长期承诺的用户。本文将介绍按需计费图规格的计费规则。 适用场景 按需计费适用于具有不能中断的短期、突增或不可预测的应用或服务,例如电商抢购、临时测试、科学计算。 适用计费项 以下计费项支持按需计费。 表1 适用计费项 计费项 计费说明 图规格(边数)
计费说明 图引擎服务的计费简单、易于预测,您既可以选择按照小时费率计费的按需计费模式,也可以选择更经济的预付费实例计费模式。 计费项 图引擎服务对您选择的图规格(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。
、分析,及时暴露数据库中关键故障及性能问题,指导客户进行优化解决。 图实例运维监控看板只支持2.3.17及以上版本的图。 一万边规格为开发学习类型,暂不支持运维监控看板。 持久化版图数据库,暂不支持图实例监控。 图实例运维监控页面 登录图引擎服务管理控制台。在左侧导航栏,选择“图管理”。
Centrality”越小,其所在图中的位置越中心。 标签传播(Label Propagation) 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
Centrality”越小,其所在图中的位置越中心。 标签传播(Label Propagation) 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
infomap算法(infomap) 标签传播算法(label_propagation) 子图匹配算法(subgraph matching) 关联预测算法(link_prediction) n_paths算法(n_paths) 聚类系数算法(cluster_coefficient) 父主题:
LabelPropagationSample 标签传播 LouvainSample louvain算法 LinkPredictionSample 关联预测 Node2vecSample node2vec算法 RealtimeRecommendationSample 实时推荐 CommonNeighborsSample
产品优势 大规模 高效的数据组织,让您更有效的对百亿节点千亿边规模的数据进行查询与分析。 高性能 深度优化的分布式图形计算引擎,为您提供高并发、秒级多跳的实时查询能力。 查询分析一体 查询分析一体化,提供丰富的图分析算法,为关系分析、路径的规划、营销推荐等业务提供多样的分析能力。
关联路径算法(n-Paths) 紧密中心度算法(Closeness Centrality) 标签传播算法(Label Propagation) Louvain算法 关联预测算法(Link Prediction) Node2vec算法 实时推荐算法(Real-time Recommendation) 共同邻居算法(Common
字符串:将节点的对应的属性字段取值作为初始化标签(类型为string,对于未知标签的点,初始化标签字段赋空);适用于已标注部分节点标签,预测未知节点标签的情况。 说明: 当initial取值为“字符串”时,其中具有初始化标签的点的数量应大于0,小于点总数。 - 关于迭代次数(i
共同邻居(common_neighbors)(1.0.0) 点集共同邻居(common_neighbors_of_vertex_sets)(2.2.13) 关联预测(link_prediction)(1.0.0) 最短路径(shortest_path)(2.1.5) 全最短路(all_shortest_paths)(1
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 Comedy和ID Action。 图4 调整参数 执行“关联预测”,分析上述两部电影的关联程度,关联度为0.029,说明很少有人同时看过这两部电影。 图5 关联分析 图6 关联分析结果 父主题: 访问图和分析图
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PageRank,k-core,最短路径,标签传播,三角计数,关联预测等。 可视化的图形分析 提供向导式探索环境,支持图分析和查询结果可视化,允许交互式操作。 查询分析API 提供图查询、图指标统计、Grem