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
节点监控 在运维监控页面左侧导航栏单击“监控>节点监控”，进入节点监控页面，该页面展示了节点，内存，磁盘，磁盘I/O，网络I/O的实时消耗情况。 概览 在概览页面，您可以根据节点名浏览指定节点的关键资源情况，包括：节点名称、CPU使用率（%）、内存使用率（%）、平均磁盘使用率（%
终端节点 终端节点即调用API的请求地址，不同服务不同区域的终端节点不同，您可以从地区和终端节点中查询所有服务的终端节点。 图引擎服务的终端节点如下表所示，请您根据业务需要选择对应区域的终端节点。 表1 图引擎服务的终端节点 区域名称 区域 终端节点（Endpoint） 华北-北京一
Node2vec算法通过调用word2vec算法，把网络中的节点映射到欧式空间，用向量表示节点的特征。 Node2vec算法通过回退参数 P 和前进参数 Q 来生成从每个节点出发的随机步，带有BFS和DFS的混合，回退概率正比于1/P，前进概率正比于1/Q。每个节点出发生成多个随机步，反映出网络的结构信息。
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 是否必选 说明 类型 取值范围 默认值 source 是 节点的ID。 String
将默认为1。 说明： 边上权重应大于0。 - seeds 否 节点ID String 当图较大时，运行betweenness较慢，可以设置seeds作为采样节点，进行近似运算，seeds节点越多越接近准确解。输入节点个数不大于100000。 - k 否 采样个数 Integer
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
String Date型字符串或时间戳 - 注意事项 最短路径算法（Shortest Path）只返回一条最短路径。 示例 计算从Lee节点到Alice节点的一条最短路径。 输入参数source=Lee，target=Alice，weight=weights，directed=fals
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。 适用场景
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。 URI
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 Centrality”越大，其在所在图中的位置越靠近中心。
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。
上后一条边的经过时间要晚于或等于前一条边，呈现时间递增（或非减）性。 时序路径不满足传递性：即从节点i到节点j有一条时序路径，从节点j到节点k有一条时序路径，并不能说明从节点i到节点k有一条时序路径。因此在求解问题上，相较于静态图上的路径求解复杂度升高，计算难度变大，但时序路径分
HyG对缺失属性进行了默认处理支持。 seeds 否 String 节点ID，输入节点个数不大于100000。 当图较大时，运行精确betweenness较慢，可以设置seeds作为采样节点，进行近似运算，seeds节点越多越接近精确解。 k 否 Integer 采样个数，k不大于100000。
GES基于属性图（Property graph）模型导入图数据，一个属性图是由点、边、标签（Label）和属性（Property）组成的有向图。 点又称作节点（Node），边又称作关系（Relationship），点和关系是最重要的实体。 图数据模型中的点代表实体，如交通网络中的车辆、通信网络中
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
查询点详情 功能介绍 根据节点ID查询节点信息，返回节点详情，包括标签和属性等。 URI GET /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/detail?vertexIds={vertex_ids} 表1 路径参数 参数
查询点详情(1.0.0) 功能介绍 根据节点ID查询节点信息，返回节点详情，包括标签和属性等。 URI GET /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/detail?vertexIds={vertex_ids} 表1
批量点查(1.1.9) 功能介绍 根据批量节点ID查询节点信息，返回这些节点的详情，包括标签和属性等。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-query
批量点查 功能介绍 根据批量节点ID查询节点信息，返回这些节点的详情，包括标签和属性等。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/vertices/action?action_id=batch-query 表1 路径参数
根据输入参数，执行Cesna算法。 Cesna算法是一种重叠社区发现算法，该算法将节点与社区之间的关系建模为一个二部图，假设图中节点的连边是根据社区关系生成的。此外，该算法还利用了节点属性对社区进行建模，即假设节点的属性也是根据社区关系生成的。 URI POST /ges/v1.0/{p
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
