更新时间：2023-07-28 GMT+08:00
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。
参数说明
|
参数 |
是否必选 |
说明 |
类型 |
取值范围 |
默认值 |
|---|---|---|---|---|---|
|
k |
是 |
跳数 |
Integer |
1~100 |
- |
|
source |
是 |
节点的ID |
String |
- |
- |
|
mode |
否 |
方向：
|
String |
OUT，IN，ALL |
OUT |
注意事项
- k值越大，覆盖的点越广。
- 根据六度空间理论，社交网上6跳可以覆盖到所有人。
- BFS按边搜索。
示例
需要在图引擎编辑器的算法区内，选定该算法进行操作。具体操作详见使用算法分析图。
计算从Lee节点出发三跳关系组成的子图。
输入参数k=3，source=Lee，mode=OUT。子图会展示在绘图区，JSON结果会展示在查询结果区。
父主题： 算法参考
