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
边操作API 边过滤查询(1.0.0) 查询边详情(1.0.0) 添加边(2.1.2) 删除边(1.0.6) 更新边属性(1.1.6) 批量边查(1.1.6) 批量添加边(2.1.16) 批量删除边(2.1.9) 批量更新边属性(2.1.10) 导出过滤后的边(2.2.7) 删除过滤后的边(2
图管理API 查询图列表(2.1.18) 查询图详情(1.0.0) 创建图(2.2.2) 关闭图(1.0.0) 启动图(1.0.0) 删除图(1.0.0) 增量导入图(2.1.14) 导出图(1.0.5) 清空图(2.1.2) 升级图(1.0.5) 绑定EIP(1.0.6) 解绑EIP(1
DSL查询API(2.3.14) 执行DSL算法 DSL语法说明 父主题: 内存版
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。
业务面任务中心 业务面任务中心功能,可以查看图当前正在运行和历史上运行过的异步任务的详情。 具体操作步骤如下: 在左侧导航栏中选择“图管理”,单击图管理操作列中的“更多 > 任务中心”,进入“任务中心”页面。 图1 任务中心 2.2.23及以上版本的图可以使用该功能。 当图的运行
添加自定义操作 通过调用API的方式来添加自定义操作,支持您在界面上定义自己的快捷操作集。 操作步骤 在图引擎编辑器左侧的操作区内,单击“编辑”后,下方会出现“新增操作”的按钮,单击此按钮。 图1 新增操作 在弹出的新增操作框中填写以下参数: 自定义操作名称:填写名称,方便后续快速查找和使用。
群体演化 针对包含某些节点的群体,结合时间轴观察其结构的动态演化过程 。具体操作步骤如下: 在左侧“动态图”操作区的“群体演化”模块内填写参数。 开始和结束的时间以及属性值在上述章节时间轴设置中已经设置完成,如果要修改参数,单击画布左下方进行设置在时间轴设置框内填写,此处不可填写。
索引操作API 新建索引(1.1.6) 删除索引(1.1.6) 查询索引(1.1.6) 父主题: 内存版
Gremlin操作API 执行Gremlin查询(1.0.0) 父主题: 内存版
点操作API 批量添加点(2.1.9) 父主题: 业务面API
图操作API 导入图(2.1.14) 导出图(1.0.5) 清空图(2.1.1) 父主题: 内存版
备份管理API 查看所有备份列表(1.0.0) 查看某个图的备份列表(1.0.0) 新增备份(1.0.0) 删除备份(1.0.0) 导出备份(2.3.16) 导入备份(2.3.16) 获取备份下载链接(2.4.3) 父主题: 管理面API(V2)
Java SDK 客户端初始化 使用流程 Java SDK样例参考 父主题: 使用业务面SDK
Python SDK 客户端初始化 使用流程 Python SDK样例参考 父主题: 使用业务面SDK
索引操作API 新建索引 删除索引 查询索引 批量新建索引 父主题: 持久化版
在绘图区分析图 绘图区直观地展示了图数据的情况,您也可以通过绘图区对数据进行编辑和分析。绘图区的快捷键以及界面元素的功能,请参见表3。 利用绘图区分析图具体操作如下: 进入图引擎编辑器页面,详细操作请参见访问图引擎编辑器。 在绘图区,使用鼠标右键单击一个点或一条边,执行以下操作。
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
获取账号名和账号ID 在调用接口的时候,部分请求中需要填入账号名(domain name)和账号ID(domain_id),所以需要先在管理控制台上获取到账号ID。账号ID获取步骤如下: 登录管理控制台。 鼠标移动至用户名,在下拉列表中单击“我的凭证”。 在“API凭证”页面的查看“账号名”和“账号ID”。
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。