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
执行失败时，用于显示错误码。 data Object 查询成功时包含data字段，data字段中包含vertices查询结果。 result String 查询结果。成功时值为success，失败时值为failed。 请求示例 根据批量节点ID查询节点信息，待查询的点ID数组为"27003509_北
执行失败时，用于显示错误码。 data Object 查询成功时包含data字段，data字段中包含vertices查询结果。 result String 查询结果。成功时值为success，失败时值为failed。 请求示例 根据批量节点ID查询节点信息。 POST http://{SERVER_URL}/ges/v1
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。
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：
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
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 -
单个续费：在资源页面找到需要续费的资源，单击操作列的“续费”。 图2 单个续费 批量续费：在资源页面勾选需要续费的资源，单击列表左上角的“批量续费”。 图3 批量续费 选择图实例的续费时长，判断是否勾选“统一到期日”，将图实例到期时间统一到各个月的某一天（详细介绍请参见统一包年/包月资源的到期日）。确认配置费用后单击“去支付”。
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
允许GES调用您的VPC服务。例如，发生故障转移时，GES使用这个委托将您的弹性IP绑定到主GES负载均衡实例。 受限于历史上IAM1.0只有RBAC授权的限制，这两种场景委托权限比较大，GES服务实际上并不需要这么大的权限。 为了优化委托的权限，GES在界面上提供了一键优化的功能，可以
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
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
续费管理”页面。 自定义查询条件。 可在“自动续费项”页签查询已经开通自动续费的资源。 可对“手动续费项”、“到期转按需项”、“到期不续费项”页签的资源开通自动续费。 图1 续费管理 为包年/包月资源开通自动续费。 单个资源开通自动续费：选择需要开通自动续费的图实例规格，单击操作列“开通自动续费”。
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
edge：所有边，仅第一层filter可用，使用方式与vertex类似 后一层的查询操作以前一层的查询结果为输入： 若前一层的结果是点，则对应的操作可以有（inV，outV，bothV，in，out，both）。 若前一层的结果是边，则对应的操作可以有（inV，outV，bothV）。 vertex_filter
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。
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
互联网应用 在移动互联网时代，面对庞大的社交关系，媒体传播网络，GES可以帮助客户快速、有效的发现海量数据中隐含的信息。 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
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。 参数说明 表1
_name} 删除点的标签。 导出过滤后的点 2.2.7 POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=export 导出满足过滤条件的点集合。 删除过滤后的点 2.2.7 POST
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。
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
