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)

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

      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。

      语法

      • 命令:algo(knn)
      • 参数:
      名称
      类型
      规范
      默认
      可选
      描述
      node_id _uuid / / 目标节点的UUID
      node_schema_property []@<schema>?.<property> 数值类型,需LTE,需与目标节点的Schema一致 / 用于计算余弦相似度的两个或两个以上点属性
      top_k int >0 / 选取最相似节点的个数
      target_schema_property @<schema>?.<property> 数值/字符串类型,需LTE,需与目标节点的Schema一致 / 作为分类标签的点属性

      示例

      示例图包含6个图片节点(忽略边),每个节点有d1、d2、d3、d4和type属性:

      文件回写

      配置项
      回写内容
      描述
      filename 第一行:attribute_value
      第二行开始:_id,similarity
      第一行:选拔出的分类标签
      第二行开始:选出的每个相似节点的ID及其与目标节点间的余弦相似度
      algo(knn).params({
        node_id: 1,
        node_schema_property: ['d1', 'd2', 'd3', 'd4'],
        top_k: 4,
        target_schema_property: @image.type
      }).write({
        file:{
          filename: "knn"
          }
      })
      

      结果:文件knn

      Gold
      top k : image4,0.538975
      image3,0.705072
      image6,0.841922
      image2,0.85516
      

      直接返回

      别名序号
      类型
      描述
      列名
      0 KV 选拔出的分类标签及其在K个最近邻中出现的次数 attribute_value, count
      1 []perNode 选出的最近邻及与目标节点的余弦相似度 node, similarity
      algo(knn).params({
        node_id: 1,
        node_schema_property: ['d1', 'd2', 'd3', 'd4'],
        top_k: 4,
        target_schema_property: @image.type
      }) as a1, a2 
      return a1, a2
      

      结果:a1和a2

      attribute_value count
      Gold 2
      node similarity
      4 0.538974677919475
      3 0.705071517140301
      6 0.841922130134788
      2 0.855159652306166

      流式返回

      别名序号
      类型
      描述
      列名
      0 KV 选拔出的分类标签及其在K个最近邻中出现的次数 attribute_value, count
      algo(knn).params({
        node_id: 2,
        node_schema_property: ['@image.d1', '@image.d2', '@image.d3', '@image.d4'],
        top_k: 5,
        target_schema_property: @image.type
      }).stream() as label
      find().nodes({_uuid == 2}) as target
      return case
        when target.type == label.attribute_value then 'True'
        else 'false'
      end
      

      结果:false

      find().nodes({@image}) as images
      call {
          with images._uuid as target
          algo(knn).params({
            node_id: target,
            node_schema_property: ['d1', 'd2', 'd3', 'd4'],
            top_k: 3,
            target_schema_property: 'type'
          }).stream() as label
          return label
      }
      return table(images._id, label.attribute_value)
      

      结果:table(images._id, label.attribute_value)

      images._id label.attribute_value
      image1 Silver
      image2 Silver
      image3 Gold
      image4 Silver
      image5 Gold
      image6 Gold
      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