修改密码

请输入密码
请输入密码 请输入8-64长度密码 和 email 地址不相同 至少包括数字、大写字母、小写字母、半角符号中的 3 个
请输入密码
提交

修改昵称

当前昵称:
提交

申请证书

证书详情

Please complete this required field.

  • Ultipa Blaze (v4)
  • Ultipa Powerhouse (v5)

Standalone

点击

了解 Ultipa Powerhouse (v5)架构中的四大组成部分。

Please complete this required field.

Please complete this required field.

Please complete this required field.

Please complete this required field.

如果不需要 HDC 服务,则此项留空。

Please complete this required field.

如果不需要 HDC 服务,则此项留空。

Please complete this required field.

Please complete this required field.

所有服务器的MAC地址,由换行符或逗号分隔。

Please complete this required field.

Please complete this required field.

取消
申请
ID
产品
状态
核数
Shard 服务最大数量
Shard 服务最大总核数
HDC 服务最大数量
HDC 服务最大总核数
申请天数
审批日期
过期日期
MAC地址
申请理由
审核信息
关闭
基础信息
  • 用户昵称:
  • 手机号:
  • 公司名称:
  • 公司邮箱:
修改密码
申请证书

当前未申请证书.

申请证书
Certificate Issued at Valid until Serial No. File
Serial No. Valid until File

Not having one? Apply now! >>>

ProductName CreateTime ID Price File
ProductName CreateTime ID Price File

No Invoice

v5.2
搜索
    v5.2

      重叠相似度

      HDC

      概述

      重叠相似度(Overlap Similarity)是杰卡德相似度的一种延申,也叫Szymkiewicz–Simpson系数。它用两个集合的交集大小除以两个集合中较小集合的大小,以此来表示两个集合的相似程度。

      重叠相似度的取值范围是0到1;1意味着其中一个集合是另一个集合的子集或两个集合完全一样,0意味着两个集合没有任何共同元素。

      基本概念

      重叠相似度

      已知集合A和B,它们之间的重叠相似度可以表示为:

      在下面的例子中,集合A = {b,c,e,f,g},集合B = {a,d,b,g},它们的交集A⋂B = {b,g},因此A和B的重叠相似度为 2 / 4 = 0.5

      将重叠相似度应用到图上用来判断两个节点之间的相似度时,我们使用目标节点的一步邻域集合来表示节点。这个一步邻域集合:

      • 没有重复的节点;
      • 不包含两个目标节点。

      上图中,节点u和节点v的一步邻域集合分别为:

      • Nu = {a,b,c,d,e}
      • Nv = {d,e,f}

      因此,它们之间的重叠相似度为2 / 3 = 0.666667

      在实践中,为了计算基于共同邻居的相似性指标,比如重叠相似度,有时可能需要将一些点属性转换为点Schema。例如,当考虑两个@申请点之间的相似性时,申请的电话号码、邮箱、设备IP等信息可能是存储为点属性的。如果要使用这些信息来度量相似性,则应将它们设计为节点加入图中。

      加权重叠相似度

      加权重叠相似度是经典重叠相似度的扩展,它考虑两个集合中与各元素相关的权重。

      加权重叠相似度的计算公式为:

      在这个加权图中,一步邻域集合Nu和Nv的并集为{a,b,c,d,e,f}。将该集合中的每个元素设置为目标节点与相应节点间边权重的和;如果它们之间没有边,则设置为0:

      a b c d e f 元素和
      N'u 1 1 1 1 0.5 0 4.5
      N'v 0 0 0 0.5 1.5 + 0.1 =1.6 1 3.1

      因此,节点u和节点v的加权重叠相似度为(0+0+0+0.5+0.5+0) / 3.1 = 0.322581.

      请确保目标节点与邻居节点之间的边权重之和大于等于0。

      特殊说明

      • 重叠相似度算法忽略边的方向,按照无向边进行计算。
      • 重叠相似度算法忽略自环边。

      示例图

      在一个空图中运行以下语句定义图结构并插入数据:

      ALTER GRAPH CURRENT_GRAPH ADD NODE {
        user (),
        sport()
      };
      ALTER GRAPH CURRENT_GRAPH ADD EDGE {
        like ()-[{weight int32}]->()
      };
      INSERT (userA:user {_id: "userA"}),
             (userB:user {_id: "userB"}),
             (userC:user {_id: "userC"}),
             (userD:user {_id: "userD"}),
             (running:sport {_id: "running"}),
             (tennis:sport {_id: "tennis"}),
             (baseball:sport {_id: "baseball"}),
             (swimming:sport {_id: "swimming"}),
             (badminton:sport {_id: "badminton"}),
             (iceball:sport {_id: "iceball"}),
             (userA)-[:like {weight: 2}]->(tennis),
             (userA)-[:like {weight: 1}]->(baseball),
             (userA)-[:like {weight: 3}]->(swimming),
             (userA)-[:like {weight: 2}]->(badminton),
             (userB)-[:like {weight: 1}]->(running),
             (userB)-[:like {weight: 3}]->(swimming),
             (userC)-[:like {weight: 2}]->(swimming),
             (userD)-[:like {weight: 1}]->(running),
             (userD)-[:like {weight: 2}]->(badminton),
             (userD)-[:like {weight: 2}]->(iceball);
      

      create().node_schema("user").node_schema("sport").edge_schema("like");
      create().edge_property(@like, "weight", int32);
      insert().into(@user).nodes([{_id:"userA"}, {_id:"userB"}, {_id:"userC"}, {_id:"userD"}]);
      insert().into(@sport).nodes([{_id:"running"}, {_id:"tennis"}, {_id:"baseball"}, {_id:"swimming"}, {_id:"badminton"}, {_id:"iceball"}]);
      insert().into(@like).edges([{_from:"userA", _to:"tennis", weight:2}, {_from:"userA", _to:"baseball", weight:1}, {_from:"userA", _to:"swimming", weight:3}, {_from:"userA", _to:"badminton", weight:2}, {_from:"userB", _to:"running", weight:1}, {_from:"userB", _to:"swimming", weight:3}, {_from:"userC", _to:"swimming", weight:2}, {_from:"userD", _to:"running", weight:1}, {_from:"userD", _to:"badminton", weight:2}, {_from:"userD", _to:"iceball", weight:2}]);
      

      创建HDC图

      将当前图集全部加载到HDC服务器hdc-server-1上,并命名为 my_hdc_graph

      CREATE HDC GRAPH my_hdc_graph ON "hdc-server-1" OPTIONS {
        nodes: {"*": ["*"]},
        edges: {"*": ["*"]},
        direction: "undirected",
        load_id: true,
        update: "static"
      }
      

      hdc.graph.create("my_hdc_graph", {
        nodes: {"*": ["*"]},
        edges: {"*": ["*"]},
        direction: "undirected",
        load_id: true,
        update: "static"
      }).to("hdc-server-1")
      

      参数

      算法名:similarity

      参数名 类型 规范 默认值 可选 描述
      ids/uuids _id/_uuid
      /
      /
      通过_id_uuid指定参与计算的第一组点;若未设置,则图中所有点均参与计算 算法支持两种计算模式:

      • 配对模式:同时设置ids/uuidsids2/uuids2时,ids/uuids中的每个点与ids2/uuids2中的每个点配对(自配对除外),并逐对计算相似度
      • 选拔模式:若仅设置了ids/uuids,则逐对计算其中各节点与图中所有其他节点间的相似度,返回所有(或指定个数)相似度大于0的结果,并按相似度降序排列
      ids2/uuids2 _id/_uuid
      /
      /
      通过_id_uuid指定参与计算的第二组点。如果仅设置ids2/uuids2(并未设置ids/uuids2),算法不返回结果
      type String overlap cosine 指定待计算的相似度类型;计算重叠相似度时,设置为overlap
      edge_weight_property []"<@schema.?><property>"
      /
      /
      指定作为权重的数值类型边属性,权重值为所有指定属性值的总和;不包含指定属性的边将被忽略
      return_id_uuid String uuid,id,both uuid 在结果中使用_uuid_id或同时使用两者来表示点
      order String asc,desc
      /
      根据similarity分值对结果排序
      limit Integer ≥-1 -1 限制返回的结果数。-1表示返回所有结果
      top_limit Integer ≥-1 -1 在选拔模式下,限制ids/uuids中每个节点返回的结果数。-1表示返回所有相似度大于0的结果。配对模式下,该参数不生效

      文件回写

      CALL algo.similarity.write("my_hdc_graph", {
        return_id_uuid: "id",
        ids: "userC",
        ids2: ["userA", "userB", "userD"],
        type: "overlap"
      }, {
        file: {
          filename: "overlap"
        }
      })
      

      algo(similarity).params({
        projection: "my_hdc_graph",
        return_id_uuid: "id",
        ids: "userC",
        ids2: ["userA", "userB", "userD"],
        type: "overlap"  
      }).write({
        file: {
          filename: "overlap"
        }
      })
      

      结果:

      _id1,_id2,similarity
      userC,userA,1
      userC,userB,1
      userC,userD,0
      

      完整返回

      配对模式下计算相似度:

      CALL algo.similarity.run("my_hdc_graph", {
        return_id_uuid: "id",
        ids: ["userA","userB"], 
        ids2: ["userB","userC","userD"],
        type: "overlap"
      }) YIELD overlap
      RETURN overlap
      

      exec{
        algo(similarity).params({
          return_id_uuid: "id",
          ids: ["userA","userB"], 
          ids2: ["userB","userC","userD"],
          type: "overlap"
        }) as overlap
        return overlap
      } on my_hdc_graph
      

      结果:

      _id1 _id2 similarity
      userA userB 0.5
      userA userC 1
      userA userD 0.333333
      userB userC 1
      userB userD 0.5

      流式返回

      CALL algo.similarity.stream("my_hdc_graph", {
        return_id_uuid: "id",
        ids: ["userA"],
        type: "overlap",
        edge_weight_property: "weight",
        top_limit: 2    
      }) YIELD overlap
      RETURN overlap
      

      exec{
        algo(similarity).params({
          return_id_uuid: "id",
          ids: ["userA"], 
          type: "overlap",
          edge_weight_property: "weight",
          top_limit: 2  
        }).stream() as overlap
        return overlap
      } on my_hdc_graph
      

      结果:

      _id1 _id2 similarity
      userA userC 1
      userA userB 0.75
      请完成以下信息后可下载此书
      *
      公司名称不能为空
      *
      公司邮箱必须填写
      *
      你的名字必须填写
      *
      你的电话必须填写
      *
      你的电话必须填写
      隐私政策
      请勾选表示您已阅读并同意。

      Copyright © 2019-2025 北京同心尚科技发展有限公司-保留所有权利 京ICP备19040872号-1