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

      K均值

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

      概述

      K均值(k-Means)算法是一种广泛使用的聚类算法,旨在根据节点的相似性将图中的节点分为k个聚类。该算法将每个节点分配至距离最近的质心所在的聚类。节点和质心之间的距离可以使用不同的度量方法来计算,例如欧几里得距离或余弦相似性。

      K均值算法的概念可以追溯至1957年,它在1967年由J. MacQueen正式命名和推广:

      从那时起,该算法在各个领域都有应用,包括向量量化、聚类分析、特征学习、计算机视觉等。它通常用作其他算法的预处理步骤,或作为数据分析的独立方法来使用。

      基本概念

      质心

      一个N维空间中对象的质心(Centroid)或几何中心是所有N个坐标方向上点的平均位置。

      在K均值这类聚类算法的语境中,质心是指聚类的几何中心。通过将多个节点属性指定为节点特征,质心是汇总了聚类中所有节点特征的代表性点。为了找到聚类的质心,该算法计算该聚类中所有节点每个维度的平均特征值。

      K均值算法以k个节点作为初始质心,可以手动指定或由系统随机采样。

      距离度量指标

      嬴图的K均值算法可以计算节点与质心之间的欧几里得距离余弦相似度

      聚类迭代

      在K均值算法的每次迭代中,先计算图中每个节点到每个聚类质心的距离,然后并将节点分配给与其距离最近的聚类;将所有节点归到聚类中后,通过分配给每个聚类的节点重新计算聚类的质心。

      如果聚类结果的变化低于预设的阈值,或达到了迭代次数限制,算法迭代就会结束。

      特殊说明

      • 适当选择k的值以及使用符合特定场景的距离度量指标对于K均值算法的结果至关重要。初始质心的选择也会影响最终的聚类结果。
      • 如果存在两个或多个相同的质心,只有一个质心将生效,其余等效质心的聚类为空。

      语法

      • 命令:algo(k_means)
      • 参数:
      名称
      类型
      规范
      默认
      可选
      描述
      start_ids []_uuid / / 指定节点作为初始质心,UUID数组的长度必须等于k;忽略则由系统进行选取
      k int [1, |V|] 1 聚类的数量
      distance_type int 1, 2 1 距离度量指标:1代表欧几里得距离2代表余弦相似度
      node_schema_property []@<schema>?.<property> 数值类型,需LTE / 用作节点特征的至少两个点属性
      loop_num int ≥1 / 迭代的最大次数

      示例

      示例图包含11个节点(忽略边),每个节点有f1、f2和f3属性:

      文件回写

      配置项
      回写内容
      filename community:_id,_id,...
      algo(k_means).params({
        start_ids: [1,2,5],
        k: 3,
        distance_type: 2,
        node_schema_property: ['f1', 'f2', 'f3'],
        loop_num: 3
      }).write({
        file:{
          filename: 'communities'
        }
      })
      

      结果:文件communities

      0:I,
      1:K,H,G,B,F,
      2:J,C,A,E,D,
      

      直接返回

      别名序号 类型
      描述
      列名
      0 []perCommunity 聚类及聚类中的节点 community, uuids
      algo(k_means).params({
        start_ids: [1,2,5],
        k: 3,
        distance_type: 1,
        node_schema_property: ['@default.f1', '@default.f2', '@default.f3'],
        loop_num: 3
      }) as k3
      return k3
      

      结果:k3

      community uuids
      0 11,5,4,2,1,
      1 10,9,
      2 8,7,6,3,

      流式返回

      别名序号 类型
      描述
      列名
      0 []perCommunity 聚类及聚类中的节点 community, uuids
      algo(k_means).params({
        k: 2,
        node_schema_property: ['f1', 'f2', 'f3'],
        loop_num: 5
      }).stream() as c
      return c
      

      结果:c

      community uuids
      0 3,6,8,7,
      1 5,9,11,10,4,2,1,
      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