# 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
表1k跳算法（k-hop）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 | (0-10\]    | -   |
| source | 是    | 节点的ID                                                                                                                                                                                                                                                                                                 | String  | -          | -   |
| mode   | 否    | 方向： - OUT：沿出边跳  - IN：沿入边跳  - ALL：双向跳   | 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](https://support.huaweicloud.com/usermanual-ges/ges_01_0025.html)。
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。