概述

k-Core算法能识别图中最大的连通子图，其中所有节点的度不小于 k。它常用来识别和提取图中紧密连通的群组，以便做进一步分析。该算法广泛应用于金融风险控制、社交网络分析和生物学等多个研究领域。k-Core算法的主要优势之一是时间复杂度低（线性），因此能高效地处理大型图。此外，k-Core生成的子图具有良好的直观可解释性，有助于理解图的结构模式和关系。

普遍接受的k-Core概念最早是由Seidman提出的：

• S.B. Seidman, Network Structure And Minimum Degree. Soc Netw 5:269-287 (1983)

基本概念

k-Core

图的k-Core子图是通过迭代剪枝过程得到的。从原图开始，按顺序反复从图中去掉度小于k的节点，直到剩余节点的度均大于或等于k。

以下是获取图的3-core子图的修剪过程。在第一轮中，度数小于3的节点{a, d, f}被移除，这影响到节点b在第二轮中被移除。第二轮之后，所有剩余节点的度数都不少于3，因此修剪过程结束，该图的3-core是由节点{c, e, g, h}诱导的。

嬴图的k-Core算法识别图中每个连通分量的k-core子图。

特殊说明

• k-Core算法忽略图中的自环边。在计算相应节点的度时，不考虑它的自环边。
• k-Core算法忽略边的方向，按照无向边进行计算。

语法

• 命令：algo(k_core)
• 参数：

示例

示例图如下：

文件回写

algo(k_core).params({
  k: 3
}).write({
  file:{
    filename: '3-core'
  }
})

结果：文件3-core

G
F
E
D

直接返回

algo(k_core).params({
  k: 2
}) as k2 
return k2

结果：k2

流式返回

algo(k_core).params({
  k: 2
}).stream() as k2 
find().nodes(k2) as nodes
return nodes{*}

结果：nodes