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 Graph V4

Standalone

Please complete this required field.

Please complete this required field.

服务器的MAC地址

Please complete this required field.

Please complete this required field.

取消
申请
ID
产品
状态
核数
申请天数
审批时间
过期时间
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:
  • 地区:
  • 语言:
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

v5.0
搜索
    v5.0

      全图K邻

      ✓ 文件回写 ✓ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

      概述

      全图K邻算法能识别图中每个节点的邻域。该算法广泛应用于关系发现、影响力预测、好友推荐等场景中。

      全图K邻算法可以看作是K邻查询UQL命令的批量执行。

      特殊说明

      尽管全图K邻算法针对高并发性能进行了优化,但需要注意,在处理大型图(具有数千万个节点或边的图)或包含许多超级节点的图时,此算法仍会消耗大量计算资源。为了优化性能,要充分考虑图的特定特征和大小,建议避免执行过深的全图K邻计算。

      在图G=(V, E)中,如果|E|/|V|=100,理论上查询一个节点的5跳邻居需要105(相当于100亿次计算)的计算复杂度,大约需要100毫秒。由此推断,在具有1千万节点的图中完成此类查询将需要100万秒(相当于约12天)。在处理这种规模的图形时,考虑计算需求和时间要求非常重要。

      语法

      • 命令:algo(khop_all)
      • 参数:
      名称
      类型
      规范
      默认
      可选
      描述
      ids / uuids []_id / []_uuid / / K邻查询目标节点的ID/UUID,忽略则查询全部点
      k_start int ≥1 1 K邻查询的起始深度,查询深度为[k_start, k_end]
      k_end int ≥1 1 K邻查询的终止深度,查询深度为[k_start, k_end]
      direction string in, out / 查询路径中所有边的方向
      node_property []@<schema>?.<property> 数值类型,需LTE / 要进行聚合统计的所有点属性;此项要与aggregate_opt配合使用
      aggregate_opt []string max, min, mean, sum, var, dev / 对于指定点属性进行聚合统计的方法;此项要与node_property配合使用,每个方法对应一个属性

      max:最大值,min:最小值,mean:平均值,sum:求和,var:方差,dev:标准差
      src_include int 0, 1 0 1代表将目标节点包含在其查询和聚合结果中,0则不包含目标节点
      limit int ≥-1 -1 返回的结果条数,-1返回所有结果

      示例

      示例是一个银行卡转账网络:

      文件回写

      配置项
      回写内容 描述
      filename_ids _id,_id 第一个_id代表目标节点,第二个_id代表目标节点的邻居
      filename _id,aggregate_result1,...,aggregate_resultN,count _id代表目标节点,aggregate_result1~aggregate_resultN是聚合结果,最后的count是目标节点的邻居数
      algo(khop_all).params({
        ids: ['card1', 'card7'],
        k_start: 2,
        k_end: 3,
        direction: 'out',
        node_property: ['@card.level', '@card.balance'],
        aggregate_opt: ['max', 'mean']
      }).write({
        file:{
          filename_ids: 'neighbors',
          filename: 'aggregations'
        }
      })
      

      结果:文件neighbors、aggregations

      card1,card7
      card1,card3
      card1,card4
      card7,card4
      

      card1,4.000000,3174.103333,3.000000,
      card7,2.000000,4768.800000,1.000000,
      

      属性回写

      配置项 回写内容 回写至 数据类型
      property 邻居数 点属性 double
      algo(khop_all).params({ 
        k_start: 2,
        k_end: 2
      }).write({
        db:{ 
          property: 'khop2'
        }
      })
      

      结果:每个节点的2步邻居数量回写至名为khop2的点属性下

      直接返回

      别名序号 类型
      描述
      列名
      0 []perNode 点及其聚合统计结果、邻居数 _uuid, value
      algo(khop_all).params({
        ids: ['card1', 'card7'],
        k_start: 2,
        k_end: 3,
        node_property: ['@card.level', '@card.balance'],
        aggregate_opt: ['max', 'mean']
      }) as r
      return r
      

      结果:r

      _uuid value
      1 5.000000,6884.060000,6.000000,
      7 5.000000,7361.870000,5.000000,

      流式返回

      别名序号 类型
      描述
      列名
      0 []perNode 点及其聚合统计结果、邻居数 _uuid, value
      algo(khop_all).params({
         uuids: [2],
         k_start: 2,
         k_end: 2,
         node_property: '@card.balance',
         aggregate_opt: 'max'
      }).stream() as results 
      return results
      

      结果:results

      _uuid value
      2 27123.800000,2.000000,
      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