k均值 概述 “K-均值”节点用于产生聚类模型，用户在使用时需要指定聚类个数。K-均值算法是基于距离的算法，将所有数据归类到其最邻近的中心。 输入 参数 子参数说明 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象

查看更多 →

地分裂它们。二分k-means算法是分裂法的一种。 二分k-means算法是k-means算法的改进算法，相比k-means算法，它可以加速k-means算法的执行速度，因为它的相似度计算少了，能够克服k-means收敛于局部最小的缺点。 二分k-means算法的一般流程如下所示：

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） 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 →

聚类系数算法（cluster_coefficient） 功能介绍 根据输入参数，执行cluster_coefficient算法。 聚类系数算法（cluster_coefficient）用于计算图中节点的聚集程度。 URI POST /ges/v1.0/{project_id}/h

查看更多 →

聚类 二分k均值 高斯混合模型 k均值 父主题： 模型工程

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 →

聚类系数算法（Cluster Coefficient） 概述 聚类系数表示一个图中节点聚集程度的系数。在现实的网络中，尤其是在特定的网络中，由于相对高密度连接点的关系，节点总是趋向于建立一组严密的组织关系。聚类系数算法（Cluster Coefficient）用于计算图中节点的聚集程度。

查看更多 →

实时聚类 聚类算法是非监督算法中非常典型的一类算法，经典的K-Means算法通过提前确定类别数目，计算数据点之间的距离来分类。对于离线静态数据集，我们可以依赖领域中知识来确定类别数目，运行K-Means算法可以取得比较好的聚类效果。但是对于在线实时流数据，数据是在不断变化和演进，

查看更多 →

聚类评估 概述 对聚类模型预测的结果数据集进行评估。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 输出 聚类的评估指标：轮廓系数silhouette等 参数说明 参数 子参数

查看更多 →

实时聚类 聚类算法是非监督算法中非常典型的一类算法，经典的K-Means算法通过提前确定类别数目，计算数据点之间的距离来分类。对于离线静态数据集，我们可以依赖领域中知识来确定类别数目，运行K-Means算法可以取得比较好的聚类效果。但是对于在线实时流数据，数据是在不断变化和演进，

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 →

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）

查看更多 →

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

查看更多 →

参数类型 描述 method 是 String 聚类方法,当前仅支持hiq_mc。 最小长度：1 最大长度：20 file 是 String 分子聚类源数据。 最小长度：1 最大长度：2000 output_dir 是 String 分子聚类输出结果。 最小长度：1 最大长度：1200

查看更多 →

"type": "string", "required": "true", "helpTip": ""} "k": 2, # @param {"label": "k", "type": "integer", "required": "true", "range": "（0,2147483647]"

查看更多 →

KhopSample K跳算法 ShortestPathSample 最短路径算法 AllShortestPathsSample 全最短路径算法 FilteredShortestPathSample 带一般过滤条件最短路径 SsspSample 单源最短路径算法 ShortestP

查看更多 →

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_n

查看更多 →

处理问题聚类任务 配置人员可周期性的对指定时间段内的会话做问题聚类分析，将该时间段内用户的问题及其出现频率统计出来，供配置人员做语料分析。 操作步骤 选择“配置中心>机器人管理>语义理解服务”，进入语义理解服务页面。 选择“检查训练 > 问题聚类任务”。单击“启动聚类任务”，填写

查看更多 →