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

      kNN(K 最近邻)

      HDC

      概述

      K最近邻(kNN, k-NearestNeighbor)算法,也称最近邻算法,是一种根据目标节点的k个最近(最相似)节点的分类对目标节点进行分类的技术。kNN由T.M. Cover和P.E. Hart于1967年提出,此后成为最广泛使用的分类算法之一:

      尽管名称中包含单词“邻居”,但 kNN 在计算相似性时并不明确考虑节点之间的边,它只关注节点的属性。

      基本概念

      相似度指标

      嬴图的kNN算法计算目标节点与图中所有其他节点之间的余弦相似度,然后选择与目标节点相似度最高的k个节点。

      选举分类

      用节点的某个属性作为分类标签。找到与目标节点最近的k个节点后,将k个节点中出现次数最多的标签分配给目标节点。

      如果出现次数最多的标签有多个,则选取其中相似度相最高的节点的标签。

      示例图集

      创建示例图集:

      // 在空图集中逐行运行以下语句
      create().node_schema("image")
      create().node_property(@image,"d1",int32).node_property(@image,"d2",int32).node_property(@image,"d3",int32).node_property(@image,"d4",int32).node_property(@image,"type",string)
      insert().into(@image).nodes([{_id:"image1", d1:50, d2:160, d3:20, d4:35}, {_id:"image2", d1:42, d2:90, d3:30, d4:90, type:"Gold"}, {_id:"image3", d1:24, d2:50, d3:55, d4:70, type:"Silver"}, {_id:"image4", d1:38, d2:20, d3:32, d4:70, type:"Gold"}, {_id:"image5", d1:98, d2:10, d3:15, d4:36, type:"Copper"}, {_id:"image6", d1:51, d2:56, d3:44, d4:30, type:"Copper"}])
      

      创建HDC图集

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

      CALL hdc.graph.create("hdc-server-1", "hdc_knn", {
        nodes: {"*": ["*"]},
        edges: {"*": ["*"]},
        direction: "undirected",
        load_id: true,
        update: "static",
        query: "query",
        default: false
      })
      

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

      参数

      算法名:knn

      参数名
      类型
      规范
      默认值
      可选
      描述
      node_id _uuid / / 通过_uuid指定目标节点
      node_schema_property []"<@schema.?><property>" / / 用于计算余弦相似度的数值类型点属性;需包含至少两个属性。点的schema必须与目标节点相同
      top_k Integer >0 / 待选取的最近节点数
      target_schema_property "<@schema.?><property>" / / 作为分类标签的数值类型或字符串类型点属性。点的schema必须与目标节点相同
      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

      文件回写

      CALL algo.knn.write("hdc_knn", {
        params: {
          return_id_uuid: "id",
          // 指定image1为目标节点
          node_id: 15420327323139833857,
          node_schema_property: ["d1", "d2", "d3", "d4"],
          top_k: 4,
          target_schema_property: "@image.type"
        },
        return_params: {
          file: {
            filename: "knn.txt"
          }
        }
      })
      

      algo(knn).params({
        project: "hdc_knn",
        return_id_uuid: "id",
        // 指定image1为目标节点
        node_id: 15420327323139833857,
        node_schema_property: ["d1", "d2", "d3", "d4"],
        top_k: 4,
        target_schema_property: "@image.type"
      }).write({
        file: {
          filename: "knn.txt"
        }
      })
      

      结果:

      Gold:2
      top k(_id):
      image2,0.85516
      image6,0.841922
      image3,0.705072
      image4,0.538975
      

      文件第一行代表k个最近点中出现最多的标签及其数量。从第三行起,显示与目标节点最相似的k个点及对应的相似度分数。

      完整返回

      CALL algo.knn("hdc_knn", {
        params: {
          return_id_uuid: "id", 
          // 指定image1为目标节点
          node_id: 15420327323139833857,
          node_schema_property: ["d1", "d2", "d3", "d4"],
          top_k: 4,
          target_schema_property: "@image.type"
        },
        return_params: {}
      }) YIELD r
      RETURN r
      

      exec{
        algo(knn).params({
          return_id_uuid: "id", 
          // 指定image1为目标节点
          node_id: 15420327323139833857,
          node_schema_property: ["d1", "d2", "d3", "d4"],
          top_k: 4,
          target_schema_property: "@image.type"
        }) as r
        return r
      } on hdc_knn
      

      结果:

      _ids similarity
      image2 0.85516
      image6 0.841922
      image3 0.705072
      image4 0.538975

      流式返回

      CALL algo.knn("hdc_knn", {
        params: {
          return_id_uuid: "id", 
          // 指定image1为目标节点
          node_id: 15420327323139833857,
          node_schema_property: ["d1", "d2", "d3", "d4"],
          top_k: 4,
          target_schema_property: "type"
        },
        return_params: {
          stream: {}
        }
      }) YIELD r
      RETURN r
      

      exec{
        algo(knn).params({
          return_id_uuid: "id", 
          // 指定image1为目标节点
          node_id: 15420327323139833857,
          node_schema_property: ["d1", "d2", "d3", "d4"],
          top_k: 4,
          target_schema_property: "type"
        }).stream() as r
        return r
      } on hdc_knn
      

      结果:

      _ids similarity
      image2 0.85516
      image6 0.841922
      image3 0.705072
      image4 0.538975
      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