图引擎服务 GES
图引擎服务 GES
- 最新动态
- 产品介绍
- 计费说明
- 快速入门
-
用户指南
- 如何使用图引擎服务
- 准备工作
- 权限管理
- 元数据操作
- 创建图
- 管理图
- 数据迁移
- 访问图和分析图
- 查看图任务
- 配置图操作权限
- 运维监控
- 套餐包管理
-
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 Path）
- 单源最短路算法（SSSP）
- 点集最短路（Shortest Path of Vertex Sets）
- 关联路径算法（n-Paths）
- 紧密中心度算法（Closeness Centrality）
- 标签传播算法（Label Propagation）
- Louvain算法
- 关联预测算法（Link Prediction）
- Node2vec算法
- 实时推荐算法（Real-time Recommendation）
- 共同邻居算法（Common Neighbors）
- 连通分量算法（Connected Component）
- 度数关联度算法（Degree Correlation）
- 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 Vertex Circles Detection）
- 点集共同邻居（Common Neighbors of Vertex Sets）
- 点集全最短路（All Shortest Paths of Vertex Sets）
- 带一般过滤条件环路检测（filtered circle detection）
- 子图匹配（Subgraph Matching）
- 带过滤全对最短路径（Filtered All Pairs Shortest Paths）
- 带过滤全最短路径（Filtered All Shortest Paths）
- TopicRank算法
- 带过滤的n_paths算法（filtered_n_paths）
- 时序路径分析（Temporal Paths）
- 开发指南
-
API参考
- 使用前必读
- API概览
- 如何调用API
- 管理面API（V2）
-
业务面API
-
内存版
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- Gremlin操作API
-
算法API
- 执行算法(1.0.0)
-
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_neighbors_of_vertex_sets)(2.2.13)
- 关联预测（link_prediction）(1.0.0)
- 最短路径（shortest_path）(2.1.5)
- 全最短路（all_shortest_paths）(1.0.12)
- 带一般过滤条件最短路径（filtered_shortest_path）(2.2.4)
- 单源最短路（sssp）(1.0.0)
- 点集最短路（shortest_path_of_vertex_sets）(2.1.5)
- 关联路径（n_paths）(1.1.2)
- 带过滤的n_paths算法（filtered_n_paths）(2.2.22)
- 带过滤全对最短路径（filtered_all_pairs_shortest_paths）(2.2.17)
- 点集全最短路(all_shortest_paths_of_vertex_sets)(2.2.15)
- 带过滤全最短路径（filtered_all_shortest_paths）(2.2.17)
- 连通分量（connected_component）(1.0.0)
- 标签传播（label_propagation）(2.1.8)
- louvain算法（louvain）(2.2.1)
- node2vec算法（node2vec）(1.0.5)
- 实时推荐（realtime_recommendation）(2.2.21)
- 度数关联度（degree_correlation）(1.0.0)
- 三角计数（triangle_count）(1.0.0)
- 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）
- 单点环路检测（single_vertex_circles_detection）（2.2.4）
- 带一般过滤条件环路检测（filtered_circle_detection）(2.2.15)
- 子图匹配（subgraph_matching）(2.2.16)
- topicrank算法（topicrank）(2.2.20)
- 动态图分析API
- 路径API
- 图统计API
- 图操作API
- 子图操作API
- Job管理API
- 自定义操作API
- Cypher操作API（2.2.16）
- Filtered-query API(2.2.13)
- Filtered-query V2(2.3.6)
- DSL查询API（2.3.14）
- 通过导入文件更新点边的指定属性(2.2.13)
- 通过读取文件删除点边（2.2.15）
- 运维监控API
-
持久化版
- 持久化版规格说明
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- HyG图管理API
-
HyG算法API
- 执行算法
-
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）
- 全最短路（all_shortest_paths）
- 全对最短路径（all_pairs_shortest_paths）
- 单源最短路算法（sssp）
- 点集最短路（shortest_path_of_vertex_sets）
- 点集全最短路（all_shortest_paths_of_vertex_sets）
- 连通分量（connected_component）
- 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）
- louvain算法（louvain）
- Bigclam算法（bigclam）
- Cesna算法（cesna）
- infomap算法（infomap）
- 标签传播算法（label_propagation）
- 子图匹配算法（subgraph matching）
- 关联预测算法（link_prediction）
- n_paths算法（n_paths）
- 聚类系数算法（cluster_coefficient）
- 算法结果TXT格式说明
- 执行DSL算法
- DSL语法说明
- HyG Job管理API
- 原生算法API
- 图统计API
- 图操作API
- Job管理API
- Cypher操作API
- 交互式事务API
- 运维监控API
-
内存版
- 应用示例
- 权限策略和授权项
- 云监控服务监控指标说明
- 历史API
- 附录
- 常见问题
- 视频帮助
- 文档下载
- 通用参考
链接复制成功！
实时推荐算法（Real-time Recommendation）
概述
实时推荐算法（Real-time Recommendation）是一种基于随机游走模型的实时推荐算法，能够推荐与输入节点相近程度高、关系或喜好相近的节点。
适用场景
实时推荐算法（Real-time Recommendation）可以基于历史购买和浏览数据进行相近商品推荐，也可以为用户进行相近喜好的潜在好友推荐。
适用于电商、社交等多领域的推荐场景。
参数说明
|
参数 |
是否必选 |
说明 |
类型 |
取值范围 |
默认值 |
|---|---|---|---|---|---|
|
sources |
是 |
节点的ID，可以是多个ID，以逗号分隔（即，标准CSV输入格式）。 |
String |
source节点的个数不超过30个 |
- |
|
alpha |
否 |
权重系数，其值越大，步长越长。 |
Double |
0~1，不包括0和1 |
0.85 |
|
N |
否 |
总的游走步数。 |
Int |
1~200000 |
10000 |
|
nv |
否 |
游走过程提前结束参数：候选推荐节点访问次数的最小值。  说明：
对于一个节点，如果其在随机游走过程被访问到，且被访问到的次数达到“nv”，则该节点将记入候选推荐的节点。 |
Int |
1~10 |
5 |
|
np |
否 |
游走过程提前结束参数：候选推荐节点个数。 说明：
若某个source节点的候选推荐节点达到“np”，对于该source节点的随机游走将提前结束。 |
Int |
1~2000 |
1000 |
|
label |
否 |
希望输出的点的类型。 说明：
|
String |
节点label |
- |
|
directed |
否 |
是否考虑边的方向。 |
Bool |
true 或false |
true |
说明：
alpha决定跳转概率系数，也称为阻尼系数，是算法内的计算控制变量。
注意事项
结束条件中，nv和np越小，实时推荐算法（Real-time Recommendation）提前结束越快。
示例
输入参数sources =Lee，alpha=0.85，N=10000，nv=5，np=1000，label为空，directed=true。
计算结果中的top节点组成的子图会展示在绘图区，节点大小根据最终的score值的大小来区别，JSON结果会展示在查询结果区。
父主题： 算法参考
