k跳算法（k_hop） 功能介绍 根据输入参数，执行k跳算法。 k跳算法从起点出发，通过宽度优先搜索（BFS），找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k跳算法会返回ego-net中节点及其个数。 URI POST /ges/v1.0/{project

查看更多 →

List k跳内的节点id，格式： [vertexId,...], 其中，vertexId：string类型 source String 起点id。 k Integer 跳数。 k_hop_neighbors Integer k跳内的节点个数（不包含起点）。 父主题： 算法API参数参考

查看更多 →

k跳算法（k-hop） 概述 k跳算法（k-hop）从起点出发，通过宽度优先搜索（BFS），找出k层与之关联的所有节点。找到的子图称为起点的“ego-net”。k跳算法会返回ego-net中节点的个数。 适用场景 k跳算法（k-hop）适用于关系发现、影响力预测、好友推荐等场景。

查看更多 →

k核算法（k-core） 概述 k核算法（k-core）是图算法中的一个经典算法，用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的体现了节点的传播能力。 适用场景 k核算法（k-core）适用于社区发现、金融风控等场景。 参数说明 表1 k核算法（k-core）参数说明

查看更多 →

k核算法（kcore） 功能介绍 根据输入参数，执行K核算法。 K核算法是图算法中的一个经典算法，用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的体现了节点的传播能力。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm

查看更多 →

在图引擎编辑器页面上调用算法，由于受限于可视化呈现效果，仅截取了500个节点的结果进行显示。对于全局迭代性算法例如pagerank算法等，如果您想要获得全量的算法结果可以采用API方式调用，具体请参考算法API。 以模板中的电影数据为例，运行后得到的PageRank值如下图所示。 图3 查询分析结果

查看更多 →

k核算法（kcore）(1.0.0) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 k 是 核数。 算法会返回核数大于等于k的节点。 Integer 大于等于0。 - 表2 response_data参数说明 参数 类型 说明 coreness

查看更多 →

请求异常时，错误码请参见错误码。 如果对图数据库执行了增、删、改操作，使用该接口可以将图数据库的修改信息同步到HyG计算引擎。首次执行数据同步时，请求body里面的vertex和edge参数生效，后续执行数据同步，该参数默认跟首次指定的保持一致。 查询HyG图详情。 发送“GET /ges/v1.0/{p

查看更多 →

应用场景 云搜索服务 可以帮助网站和APP搭建搜索框，提升用户的搜索体验；也可以用于搭建日志分析平台，助力企业实现数据驱动运维，数据驱动运营；它的向量检索能力可以帮助客户快速构建基于AI的图搜、推荐、语义搜索等丰富的应用。 站内搜索 云搜索 服务可用于对网站内容进行关键字检索、对电商网站商品进行检索与推荐。

查看更多 →

基于MPC算法的高安全级别计算 完成demo验证阶段，为提升数据保护级别，接入以纯密文的状态做计算的更高安全级别的数据，可以通过开启高隐私级别开关，提升空间安全级别。 图1 高隐私级别开关 再次单击作业，审批进行的同时敏感数据被进行了同态加密。DAG图显示了“psi + 同态”的

查看更多 →

终止。 近邻样本数 算法迭代过程中，需要求解到每个点的近邻数量，默认值为“100”。 是否使用kd-tree 是否使用k-维树来搜索近邻数。k-维树是一种分割k维数据空间的数据结构。 提交分析请求。 提交分析任务至分析完成期间，可单击此按钮终止分析任务。 截取ACE分析图。用户可以另存图片至本地使用。

查看更多 →

RES+媒资应用场景 场景描述 媒资推荐场景中，通常对实时性要求比较高，用户产生的行为需要得到即时的反馈，同时结合用户的长期兴趣和短期兴趣进行个性化推荐。 RES提供一站式媒资推荐解决方案，支持针对行为数据实时生成用户的兴趣标签，提供离线、近线、在线三层计算，完成千人千面的个性化媒资推荐。

查看更多 →

6集群支持 CSS 服务的向量检索引擎。 向量检索插件涉及较高的内存计算，内存要求比普通索引高，建议集群选择“内存优化型”的计算规格。 集群数据节点或冷数据节点的内存规格要大于16G，否则无法使用 CS S服务的向量检索插件，如果需要开启则请联系技术支持。 向量检索的集群规格规划 向量检索的索引构建

查看更多 →

CANDIDATES_SET UserCF算法生成的用户-物品列表候选集。 基于交替最小二乘的矩阵分解推荐 基于交替最小二乘的矩阵分解推荐：基于用户-物品的行为信息作为原始矩阵，利用ALS优化算法对原始矩阵进行矩阵分解，分解之后的用户隐向量矩阵和物品隐向量矩阵可以用来生成预估的新的用户-物品评分矩阵，

查看更多 →

我的算法 操作步骤 登录行业视频管理服务后台。 选择“算法 > 我的算法”。 在我的算法页面，可以根据算法名称搜索算法，也可以单击“”，根据供应商和计费模式筛选查找算法。 父主题： 算法管理

查看更多 →

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 #

查看更多 →

rce节点的相关性/重要性越高）。 k核算法（k-core） k-core是图算法中的一个经典算法，用以计算每个节点的核数。其计算结果是判断节点重要性最常用的参考值之一，较好的刻画了节点的传播能力。 k跳算法（k-hop） 从起点出发，通过宽度优先搜索（BFS），找出k层与之关联

查看更多 →

数据仓库 华为云数据仓库高级工程师培训 父主题： 培训服务

查看更多 →

用户最感兴趣的排序在前K个的物品。 行为 行为类型：用户感兴趣的行为类型。 权重值：行为的初始权重。 衰减系数：用于衰减行为初始权重的系数。 有效时间：用户配置的行为发生时间与当前时间的间隔，以小时为单位。系统只处理在该时间范围内的行为记录。 基于用户相似度的实时召回 基于用户相似度

查看更多 →

阶段五：基于MPC算法的高安全级别计算 完成demo验证阶段，为提升数据保护级别，接入以纯密文的状态做计算的更高安全级别的数据，可以通过开启高隐私级别开关，提升空间安全级别。 图1 高隐私级别开关 再次单击作业，审批进行的同时敏感数据被进行了秘密分享加密。DAG图显示了“psi +

查看更多 →

6集群支持CSS服务的向量检索引擎。 向量检索插件涉及较高的内存计算，内存要求比普通索引高，建议集群选择“内存优化型”的计算规格。 集群数据节点或冷数据节点的内存规格要大于16G，否则无法使用CSS服务的向量检索插件，如果需要开启则请联系技术支持。 向量检索的集群规格规划 向量检索的索引构建

查看更多 →