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
图解图计算技术
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 参数
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，因此可以基于source节点个性化地计算网络节点的相关性
费；GES在华为云内部网络产生的流量不计费。 图引擎服务计费详情及样例，请参见产品价格详情。您可以通过图引擎服务提供的价格计算器，选择您需要的图规格，快速计算出创建图的参考价格。
点，因此可以基于source节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。
费；GES在华为云内部网络产生的流量不计费。 图引擎服务计费详情及样例，请参见产品价格详情。您可以通过图引擎服务提供的价格计算器，选择您需要的图规格，快速计算出创建图的参考价格。 计费模式 当前提供两种计费模式供您选择：按需计费和预付费实例计费。两种方式供您灵活选择，使用越久越便宜。
-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。 参数说明 表1 Single-Vertex-Circles-Detection算法参数说明 参数 是否必选 说明 类型 取值范围
在海量知识中快速关联查询秒级响应，搜索结果更准确。 知识梳理 通过图上分析计算，合并相似本体，进行知识消岐。 学习路径的识别及推荐 通过知识点的先修关系，识别学习路径，针对薄弱知识点进行学习路径推荐。 金融风控应用 面对层出不穷、复杂多样的个人和群体行为，帮助客户挖掘出潜在的风险，为客户保驾护航。
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
detection）目的是寻找图中所有满足过滤条件的环路。 适用场景 带一般过滤条件的环路检测(filtered circle detection)算法适用于金融风控中循环转账检测、反洗钱，网络路由中异常链接检测，企业担保圈贷款风险识别等场景。 参数说明 表1 filtered circle detection参数说明
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分析。 参数说明 表1 点集最短路算法（Shortest Path of Vertex Sets）参数说明
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 否 是否考虑边的方向。 Bool true 或false true alpha决定跳转概率系数，也称为阻尼系数，是算法内的计算控制变量。 注意事项
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 参数说明 表1 Edge-betweenness Centrality算法参数说明 参数 是否必选 说明 类型
Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别；适用于社交、金融风控、交通路网、城市规划等领域 参数说明 表1 Betweenness Centrality算法参数说明 参数 是否必选 说明 类型 取值范围
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。 参数说明 表1 All Shortest Paths of Vertex Sets参数说明
eakly connected component）。连通分量算法（Connected Component）计算得到的是弱连通分量。 参数说明 无。 示例 单击运行，计算各个节点所属的连通分量，JSON结果会展示在查询结果区。 父主题： 算法参考
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。
点，因此可以基于source节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。
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
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。
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
