字符串相似度 概述 支持cosine、levenshtein、jaccard、最长公共子序列、minhash_sim、ssk、simhash_hamming_sim七种方法计算字符串的相似度。 输入 参数 子参数 参数说明 inputs dataDF inputs为字典类型，da

查看更多 →

字符串相似度topN 概述 支持cosine、levenshtein、jaccard、最长公共子序列、minhash_sim、ssk、simhash_hamming_sim七种方法计算 文章的相似度 输入 参数 子参数 参数说明 inputs dataDF inputs为字典类型

查看更多 →

紧密中心度算法（closeness） 功能介绍 根据输入参数，执行紧密中心度算法。 紧密中心度算法（Closeness Centrality）计算一个节点到所有其他可达节点的最短距离的倒数，进行累积后归一化的值。 URI POST /ges/v1.0/{project_id}/h

查看更多 →

中介中心度算法（betweenness） 功能介绍 根据输入参数，执行中介中心度算法。 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 URI POST /ges/v1.0/{project_id}/hyg/{g

查看更多 →

子图匹配算法（subgraph matching） 功能介绍 根据输入参数，执行subgraph matching算法。 子图匹配（subgraph matching）算法的目的是在一个给定的大图里面找到与一个给定小图同构的子图，这是一种基本的图查询操作，意在发掘图重要的子结构。

查看更多 →

中介中心度算法（betweenness）(2.2.4) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串 *

查看更多 →

紧密中心度算法（Closeness Centrality） 概述 紧密中心度算法（Closeness Centrality）计算一个节点到所有其他可达节点的最短距离的倒数，进行累积后归一化的值。紧密中心度可以用来衡量信息从该节点传输到其他节点的时间长短。节点的“Closeness

查看更多 →

中介中心度算法（Betweenness Centrality） 概述 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别；适用于社交、金融风控、交通路网、城市规划等领域

查看更多 →

如何快速搜索摄像机匹配的算法 登录MAP工具。 选择“基于款型匹配算法”。 在搜索框中输入摄像机型号，单击“搜索”，查询摄像机匹配的算法。 父主题： 常见问题

查看更多 →

度数关联度算法（Degree Correlation） 概述 度数关联度算法（Degree Correlation）计算所有边上起点和终点度数之间的Pearson关联系数，常用来表示图中高度数节点是否和高度数节点相连。 适用场景 度数关联度算法（Degree Correlation）适用于衡量图的结构特性场景。

查看更多 →

该模式只代表它本身；这时候LIKE的行为就像等号操作符。在pattern里的下划线(_)匹配任何单个字符；而一个百分号(%)匹配零或多个字符。LIKE模式匹配总是覆盖整个字符串。要匹配在字符串内部任何位置的序列，该模式必须以百分号开头和结尾。 【示例】： 'A_Z' --表示以

查看更多 →

括号匹配 当光标靠近其中一个括号，匹配的括号就会高亮显示。您可以使用“Ctrl+Shift+\”跳转到匹配的括号。 父主题： 代码导航

查看更多 →

如何快速搜索算法匹配的摄像机 登录MAP工具。 选择“基于算法匹配款型”。 选择搜索方式后，输入算法名称/规格，单击“搜索”，查询算法匹配的摄像机。 父主题： 常见问题

查看更多 →

ClusterCoefficientSample 聚类系数 BetweennessSample 中介中心度算法 EdgeBetweennessSample 边中介中心度 OdBetweennessSample OD中介中心度 SingleVertexCirclesDetectionSample 单点环路检测

查看更多 →

如何配置可以匹配任一字符串的实体？ 系统预置的“system.any”实体只能返回用户整句话，不能实现一句话中的某个槽位返回。如果需要单独获取一句话中的某个槽位，需要进行规则开发。 如果程序员说：加个按钮，长度5厘米，高度2厘米，按钮名称是点击；也可能说，加个按钮，按钮名称是点击

查看更多 →

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

查看更多 →

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）

查看更多 →

最近邻域数 在UserCF算法中使用，生成的相似度矩阵中为每个用户保留的若干个最相似用户。默认为100。 最小交叉度 物品和物品之间被同一用户行为记录的数量，计算相似度时，过滤掉共同记录小于最小交叉度的item。 默认值：1。 物品活跃度 物品过滤用户的活跃度阈值。 取值范围：1-10000。

查看更多 →

ROW ：在当前匹配第一行之后的下一行开始下一轮模式匹配 SKIP PAST LAST ROW ：在当前匹配的最后一行之后的下一行开始下一轮匹配 SKIP TO FIRST variable：从当前匹配的第一个variable开始下一轮匹配 SKIP TO LAST variable

查看更多 →

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

查看更多 →

Louvain算法 概述 Louvain算法是基于模块度的社区发现算法，该算法在效率和效果上都表现较好，并且能够发现层次性的社区结构，其优化目标是最大化整个社区网络的模块度。 适用场景 Louvain算法适用于社团发掘、层次化聚类等场景。 参数说明 表1 Louvain算法参数说明 参数

查看更多 →