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
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 compone
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。
聚类系数算法（Cluster 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。
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。
lse， 默认为false。 false：会查询图实例2分钟内的指标。 true：会查询实时监控指标，请求响应在3-5秒之间。 with_performance_metrics 否 Boolean 是否查询性能指标，会返回图实例性能指标和各个节点的指标。取值为true或者fals
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
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
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
lse， 默认为false。 false：会查询图实例2分钟内的指标。 true：会查询实时监控指标，请求响应在3-5秒之间。 with_performance_metrics 否 Boolean 是否查询性能指标，会返回图实例性能指标和各个节点的指标。取值为true或者fals
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。
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
单点环路检测（Single Vertex Circles Detection） 概述 单点环路检测（Single-Vertex-Circles-Detection）是一个经典的图问题，意在寻找图中的环路。环路上的点较好地体现了该点的重要性。 适用场景 单点环路检测适用于交通运输、金融风控等场景。
点集全最短路（All Shortest Paths of Vertex Sets） 概述 点集全最短路算法（Shortest Path of Vertex Sets）用于发现两个点集之间的所有最短路径。 适用场景 点集最短路算法可应用于互联网社交、金融风控、路网交通、物流配送等场景下的区块之间关系的分析。
带过滤全最短路径（Filtered All Shortest Paths） 概述 带过滤全最短路径（Filtered All Shortest Paths）是在最短路径算法（Shortest Path）基础上支持条件过滤，寻找图中两节点之间满足条件的全最短路径。 适用场景 适用于关系挖掘、路径规划、网络规划等场景。
动态图数据格式 在大多数实际生活场景中，实体以及关系是动态变化的（如疫情传播网络、转账关系等），这些时序、变化背后蕴含的信息会对结果产生重要影响，因此需要采用动态图对其进行数据建模、存储和动态分析。本服务对动态图的相关能力进行了支持。 图1 动态图示例 本章节重点介绍动态图数据格
带过滤的n_paths算法（filtered_n_paths） 概述 带过滤的n_paths算法是给定起始点source、目的点target、跳数k、路径数n、过滤条件filters，找出source和target间不多于n条的k跳无环路径。 适用场景 任意网络。 参数说明 表1
带过滤全对最短路径（Filtered All Pairs Shortest Paths）是寻找图中任意两点之间满足条件的最短路径。当前，考虑到实际应用场景，此算法需要用户指定起点集（sources）和终点集（targets），本算法将返回起点集合到终点集合之间满足条件的两两全最短路径。 适用场景 带过滤全对最短路径（Filtered
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
