图引擎服务 GES
图引擎服务 GES
- 最新动态
- 产品介绍
- 计费说明
- 快速入门
-
用户指南
- 如何使用图引擎服务
- 准备工作
- 权限管理
- 元数据操作
- 创建图
- 管理图
- 数据迁移
- 访问图和分析图
- 查看图任务
- 配置图操作权限
- 运维监控
- 套餐包管理
-
算法参考
- 算法一览表
- PageRank算法
- PersonalRank算法
- k核算法（k-core）
- k跳算法（k-hop）
- 最短路径算法（Shortest Path）
- 全最短路算法（All Shortest Paths）
- 带一般过滤条件最短路径（Filtered Shortest Path）
- 单源最短路算法（SSSP）
- 点集最短路（Shortest Path of Vertex Sets）
- 关联路径算法（n-Paths）
- 紧密中心度算法（Closeness Centrality）
- 标签传播算法（Label Propagation）
- Louvain算法
- 关联预测算法（Link Prediction）
- Node2vec算法
- 实时推荐算法（Real-time Recommendation）
- 共同邻居算法（Common Neighbors）
- 连通分量算法（Connected Component）
- 度数关联度算法（Degree Correlation）
- 三角计数算法（Triangle Count）
- 聚类系数算法（Cluster Coefficient）
- 中介中心度算法（Betweenness Centrality）
- 边中介中心度（Edge-betweenness Centrality）
- OD中介中心度（OD-betweenness Centrality）
- 单点环路检测（Single Vertex Circles Detection）
- 点集共同邻居（Common Neighbors of Vertex Sets）
- 点集全最短路（All Shortest Paths of Vertex Sets）
- 带一般过滤条件环路检测（filtered circle detection）
- 子图匹配（Subgraph Matching）
- 带过滤全对最短路径（Filtered All Pairs Shortest Paths）
- 带过滤全最短路径（Filtered All Shortest Paths）
- TopicRank算法
- 带过滤的n_paths算法（filtered_n_paths）
- 时序路径分析（Temporal Paths）
- 开发指南
-
API参考
- 使用前必读
- API概览
- 如何调用API
- 管理面API（V2）
-
业务面API
-
内存版
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- Gremlin操作API
-
算法API
- 执行算法(1.0.0)
-
算法API参数参考
- 算法公共参数
- pagerank算法(1.0.0)
- personalrank算法(1.0.0)
- k核算法（kcore）(1.0.0)
- k跳算法（k_hop）(1.0.0)
- 共同邻居（common_neighbors）(1.0.0)
- 点集共同邻居(common_neighbors_of_vertex_sets)(2.2.13)
- 关联预测（link_prediction）(1.0.0)
- 最短路径（shortest_path）(2.1.5)
- 全最短路（all_shortest_paths）(1.0.12)
- 带一般过滤条件最短路径（filtered_shortest_path）(2.2.4)
- 单源最短路（sssp）(1.0.0)
- 点集最短路（shortest_path_of_vertex_sets）(2.1.5)
- 关联路径（n_paths）(1.1.2)
- 带过滤的n_paths算法（filtered_n_paths）(2.2.22)
- 带过滤全对最短路径（filtered_all_pairs_shortest_paths）(2.2.17)
- 点集全最短路(all_shortest_paths_of_vertex_sets)(2.2.15)
- 带过滤全最短路径（filtered_all_shortest_paths）(2.2.17)
- 连通分量（connected_component）(1.0.0)
- 标签传播（label_propagation）(2.1.8)
- louvain算法（louvain）(2.2.1)
- node2vec算法（node2vec）(1.0.5)
- 实时推荐（realtime_recommendation）(2.2.21)
- 度数关联度（degree_correlation）(1.0.0)
- 三角计数（triangle_count）(1.0.0)
- 聚类系数（cluster_coefficient）(1.0.0)
- 紧密中心度（closeness）(1.0.0)
- 中介中心度算法（betweenness）(2.2.4)
- 边中介中心度（edge_betweenness）(2.2.4)
- OD中介中心度（od_betweenness）（2.2.4）
- 单点环路检测（single_vertex_circles_detection）（2.2.4）
- 带一般过滤条件环路检测（filtered_circle_detection）(2.2.15)
- 子图匹配（subgraph_matching）(2.2.16)
- topicrank算法（topicrank）(2.2.20)
- 动态图分析API
- 路径API
- 图统计API
- 图操作API
- 子图操作API
- Job管理API
- 自定义操作API
- Cypher操作API（2.2.16）
- Filtered-query API(2.2.13)
- Filtered-query V2(2.3.6)
- DSL查询API（2.3.14）
- 通过导入文件更新点边的指定属性(2.2.13)
- 通过读取文件删除点边（2.2.15）
- 运维监控API
-
持久化版
- 持久化版规格说明
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- HyG图管理API
-
HyG算法API
- 执行算法
-
算法API参数参考
- 算法公共参数
- pagerank算法
- personalrank算法（personalrank）
- k核算法（kcore）
- k跳算法（k_hop）
- 点集共同邻居(common_neighbors_of_vertex_sets)
- 最短路径（shortest_path）
- 全最短路（all_shortest_paths）
- 全对最短路径（all_pairs_shortest_paths）
- 单源最短路算法（sssp）
- 点集最短路（shortest_path_of_vertex_sets）
- 点集全最短路（all_shortest_paths_of_vertex_sets）
- 连通分量（connected_component）
- 三角计数算法（triangle_count）
- 紧密中心度算法（closeness）
- 中介中心度算法（betweenness）
- 边中介中心度（edge_betweenness）
- OD中介中心度（od_betweenness）
- 单点环路检测（single_vertex_circles_detection）
- topicrank算法（topicrank）
- louvain算法（louvain）
- Bigclam算法（bigclam）
- Cesna算法（cesna）
- infomap算法（infomap）
- 标签传播算法（label_propagation）
- 子图匹配算法（subgraph matching）
- 关联预测算法（link_prediction）
- n_paths算法（n_paths）
- 聚类系数算法（cluster_coefficient）
- 算法结果TXT格式说明
- 执行DSL算法
- DSL语法说明
- HyG Job管理API
- 原生算法API
- 图统计API
- 图操作API
- Job管理API
- Cypher操作API
- 交互式事务API
- 运维监控API
-
内存版
- 应用示例
- 权限策略和授权项
- 云监控服务监控指标说明
- 历史API
- 附录
- 常见问题
- 视频帮助
- 文档下载
- 通用参考
本文导读
链接复制成功！
自定义图分析算法编程示例
自定义SSSP算法
# 导入必要的包
from hyg.analytics.graph import load_base_graph
from hyg.analytics.model import pregel_types, PregelModel
# 指定graph_name参数，加载图数据
graph = load_base_graph("movie")
# 通过外部id获取内部id
SOURCE_NODE = graph.nid(100)
# 基于Pregel模型实现自定义SSSP算法，并设置顶点值类型ntype为int，
# 消息类型mtype默认和ntype保持一致，combiner类型设置为min
@pregel_types(ntype=int, combiner=min)
class PregelSSSP(PregelModel):
@staticmethod
def compute(ctx, nid, msgs):
if ctx.superstep == 0:
ctx.set_value(nid, 10000)
min_dist = 0 if nid == SOURCE_NODE else 10000
if len(msgs) != 0:
min_dist = min(min_dist, min(msgs))
if min_dist < ctx.value(nid):
ctx.set_value(nid, min_dist)
for e in ctx.out_edges(nid):
ctx.send(ctx.edge_dst(e), min_dist + 1)
ctx.halt(nid)
# 运行自定义SSSP算法，并获取结果
result = graph.run_pregel(PregelSSSP)
print(type(result), result)自定义PageRank算法
# 导入必要的包
from hyg.analytics.graph import load_base_graph
from hyg.analytics.model import pregel_types, PregelModel
# 指定graph_name参数，加载图数据
graph = load_base_graph("movie")
# 基于Pregel模型实现自定义PageRank算法，
# 设置顶点值类型ntype为float，消息类型mtype默认
# 和ntype保持一致，combiner类型设置为sum
@pregel_types(ntype=float, combiner=sum)
class PregelPageRank(PregelModel):
@staticmethod
def init(ctx, nid):
ctx.set_value(nid, 1.0)
@staticmethod
def compute(ctx, nid, msgs):
if ctx.superstep >= 1:
new_value = 0.85 * sum(msgs) + 0.15 / ctx.num_nodes
if (abs(new_value - ctx.value(nid)) < 0.001
or ctx.superstep == 1000):
ctx.halt(nid)
return
ctx.set_value(nid, new_value)
# 仅在debug模式debug_mode=True时，
# 支持自定义算法中使用print调试语句
print(f"in step {ctx.superstep}, node nid {nid}, "
f"value {ctx.value(nid)}")
out_edges = ctx.out_edges(nid)
if len(out_edges) > 0:
new_msg = ctx.value(nid) / len(out_edges)
for e in out_edges:
ctx.send(ctx.edge_dst(e), new_msg)
# debug运行自定义PageRank算法，并获取结果
result = graph.run_pregel(PregelPageRank, debug_mode=True)
print(type(result), result)自定义khop算法
# 导入必要的包
from hyg.analytics.graph import load_base_graph
from hyg.analytics.model import pregel_types, PregelModel
# 指定graph_name参数，加载图数据
graph = load_base_graph("movie")
# 设置全局值用于在自定义算法中使用
INFINITY_VALUE = False
SOURCE_NODE = graph.nid("100")
MAX_HOP = 3
# 基于Pregel模型实现自定义khop算法，
# 设置顶点值类型ntype为bool,用来表示是否被遍历到，
# bool类型不支持combiner使用，即使设置了combiner也会被忽略掉
@pregel_types(ntype=bool)
class PregelKHop(PregelModel):
@staticmethod
def compute(ctx, nid, msgs) -> None:
if ctx.superstep == 0:
if nid == SOURCE_NODE:
ctx.set_value(nid, True)
if ctx.superstep < MAX_HOP:
for e in ctx.out_edges(nid):
ctx.send(ctx.edge_dst(e), True)
else:
ctx.set_value(nid, INFINITY_VALUE)
else:
if ctx.value(nid) == INFINITY_VALUE:
ctx.set_value(nid, True)
if ctx.superstep < MAX_HOP:
for e in ctx.out_edges(nid):
ctx.send(ctx.edge_dst(e), True)
ctx.halt(nid)
# 运行自定义khop算法，并对结果通过result_filter参数进行过滤
result = graph.run_pregel(PregelKHop,
result_filter=
lambda ctx, nid: nid != SOURCE_NODE
and ctx.value(nid))
print(len(result), result.keys())
父主题： DSL语法说明
