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
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
statistics 否 Boolean 是否仅输出总的统计量结果，取值为true或false，默认取值为true。 true：仅输出总的平均聚类系数。 false：额外输出各点对应聚类系数。 directed 否 Boolean 是否看作有向图进行计算，取值为true或false，默认取值为false。
图解图计算技术
购买预付费实例和创建并使用实例是独立的过程。当您在使用实例时，计费系统会自动比较您已购买的有效期内的预付费实例数量和您使用的相同区域、相同实例规格的实例数量，预付费实例数量内的实例不再收费（因为您前期已经支付过费用），超过的部分按需计费。 为了进一步说明预付费和实例不存在绑定关系，举例如下：
器下。 资源的价格 不同区域的资源价格可能有差异，请参见华为云服务价格详情。 如何选择可用区 是否将资源放在同一可用区内，主要取决于您对容灾能力和网络时延的要求。 如果您的应用需要较高的容灾能力，建议您将资源部署在同一区域的不同可用区内。 如果您的应用要求实例之间的网络延时较低，则建议您将资源创建在同一可用区内。
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
点个性化地计算网络节点的相关性和重要性（PersonalRank值越高，对source节点的相关性/重要性越高）。 k核算法（k-core） 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，较好的刻画了节点的传播能力。 k跳算法（k-hop）
PageRank算法。该算法继承了经典PageRank算法的思想，利用图链接结构来递归计算各节点的重要性。与PageRank算法不同的是，为了保证随机行走中各节点的访问概率能够反映出用户的偏好，PersonalRank算法在随机行走中的每次跳转会以（1-alpha）的概率返回到source节点，因此可以
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
k核算法（kcore） 功能介绍 根据输入参数，执行K核算法。 K核算法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。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm
对于该source节点的随机游走将提前结束。 Int 1~2000 1000 label 否 希望输出的点的类型。 说明： 其值为空时，将不考虑点的类型，输出算法原始计算结果。 对其赋值时，将从计算结果中过滤出具有该“label”的点的返回。 String 节点label - directed
//带有globalAcc一起计算的表达式， 属于globalacc expression 1+v.score*2 //带有vertexAcc一起计算的表达式， 属于vertexacc expression 表达式升格表 不同类型的表达式在赋值和计算上，存在不同的限制。即，不同类型互相之间的赋值和计算是否合法的限制。
使用HyG算法分析图 GES服务为您提供了丰富的基础图算法、图分析算法和图指标算法，您可以使用图算法做关系分析等。 前提条件 前端创建持久化版图时，选择开启HyG计算引擎。 图1 HyG计算引擎 操作步骤 创建HyG图。 发送“POST /ges/v1.0/{project_id
图操作接口旨在为用户提供从输入、计算到输出的端到端全流程操作接口。 图属性值类型 Python DSL当前支持3种数据类型：int、float和bool，分别对应C++中的int64_t、double和bool基本数据类型。 Combiner类型 Combiner用于在满足交换律和结合律的计算过程中对数
Paths：表示距离最短的时序路径。 Foremost Temporal Paths：表示尽可能早的到达目标节点的时序路径。 Fastest Temporal Paths ：表示耗费时间最短的时序路径。 适用场景 适用于疫情或疾病传播溯源、信息传播和舆情分析、结合时序的路径规划、资金流通路径等场景。
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。
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 Component）计算得到的是弱连通分量。
filterName 是 用于进行时间过滤的时间属性名称 String 字符串：对应的点/边上的属性作为时间 - filterType 否 在点或边上过滤 String V：点上 E：边上 BOTH：点和边上 BOTH startTime 否 起始时间 String Date型字符串或时间戳 - endTime
根据网页（节点）之间相互的超链接进行计算的技术，用来体现网页（节点）的相关性和重要性。 如果一个网页被很多其他网页链接到，说明这个网页比较重要，也就是其PageRank值会相对较高。 如果一个PageRank值很高的网页链接到其他网页，那么被链接到的网页的PageRank值会相应地提高。
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。 参数说明 表1 关联预测算法（Link Prediction）参数说明
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
