云服务器内容精选
-
请求示例 POST http://{SERVER_URL}/ges/v1.0/{project_id}/hyg/{graph_name}/algorithm { "algorithmName":"pagerank", "parameters":{ "alpha":0.85, "convergence":0.00001, "max_iterations":1000, "directed":true }, "output": { "format": "TXT", "mode": "FULL" } }
-
响应参数 表2 响应Body参数说明 参数 类型 说明 errorMessage String 系统提示信息。 执行成功时,字段可能为空。 执行失败时,用于显示错误信息。 errorCode String 系统提示信息。 执行成功时,字段可能为空。 执行失败时,用于显示错误码。 jobId String 执行算法任务ID。请求失败时,该字段为空。 说明: 可以查询jobId查看任务执行状态、获取返回结果,详情参考Job管理API。
-
请求参数 表2 请求Body参数 参数 是否必选 类型 说明 algorithmName 是 String 算法名字。 parameters 是 parameters Object 算法参数。 表3 parameters 参数 是否必选 类型 说明 source 是 String 输入路径的起点ID。 directed 否 Boolean 是否考虑边的方向。取值为true或false。 说明: false当前版本在有权图上不支持。 当数据集不包含inedge时,若directed=true,选择一个不依赖于Inedge的算法实现版本计算输出,性能会下降;若directed=false,会报错。 weight 否 String 边上权重。取值为:空或字符串。 空:边上的权重、距离默认为1。 字符串:对应的边上的属性将作为权重,当某边没有对应属性时,权重将默认为1。
-
响应参数 表4 响应Body参数 参数 类型 说明 errorMessage String 系统提示信息,执行成功时,字段可能为空。执行失败时,用于显示错误信息。 errorCode String 系统提示信息,执行成功时,字段可能为空。执行失败时,用于显示错误码。 jobId String 执行算法任务ID。请求失败时,字段为空。 说明: 可以利用返回的jobId查看任务执行状态、获取算法返回结果,详情参考查询Job状态(1.0.0)。 jobType Integer 任务类型。请求失败时,字段为空。
-
请求示例 POST http://{SERVER_URL}/ges/v1.0/{project_id}/hyg/{graph_name}/algorithm { "algorithmName":"sssp", "parameters":{ "source":"1", "directed":true, "weight": "" } } SERVER_URL:图的访问地址,取值请参考业务面API使用限制。
-
响应示例 状态码: 200 成功响应示例 Http Status Code: 200 { "jobId": "4448c9fb-0b16-4a78-8d89-2a137c53454a001679122", "jobType": 1 } 状态码: 400 失败响应示例 Http Status Code: 400 { "errorMessage":"graph [demo] is not found", "errorCode":"GES.8402" }
-
算法结果TXT格式说明 表1 算法结果的txt格式 算法 支持程度 header content e.g. all_pairs_shortest_paths 本地,OBS # runtime: {runtime} # paths_number: {paths_number} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # batch_paths: 每行为1对pair的多条路,格式: {sourceID},{targetID},"[[{sourceID},{v1},...,{targetID}],...]" # runtime: 4.411 # paths_number: 20 # data_total_size: 25 # data_return_size: 25 # data_offset: 0 # batch_paths: "121","66","[["121","25","66"]]" all_shortest_paths 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # paths_number: {paths_number} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # paths: 每行为一条路,格式: {sourceID},{vertexID1},...,{targetID} # runtime: 0.207 # source: 121 # target: 66 # paths_number: 2 # data_total_size: 2 # data_return_size: 2 # data_offset: 0 # paths: 121,7,66 121,25,66 all_shortest_paths_of_vertex_sets 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # paths_number: {paths_number} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # paths: 每行为一条路,格式: {sourceID},{vertexID1},...,{targetID} # runtime: 2.772 # sources: 48,129,34,36 # targets: 46,66,101 # paths_number: 15 # data_total_size: 15 # data_return_size: 15 # data_offset: 0 # paths: 36,72,101 36,59,46 36,73,46 betweenness 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # betweenness: {vertexID},{betweenness} # runtime: 1.593 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # betweenness: 79,20.697222222222223 80,12.290584415584414 81,1.5 bigclam 本地,OBS # runtime: {runtime} # community_num: {community_num} # log_likelihood: {log_likelihood} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # communities: {vertexID}, {community} # runtime: 2.754 # community_num: 1 # log_likelihood: -5593.4549824494925 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # communities: 6,0 13,0 cesna 本地,OBS # runtime: {runtime} # community_num: {community_num} # log_likelihood: {log_likelihood} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # communities: {vertexID}, {community} # runtime: 40114.213 # community_num # log_likelihood # data_total_size: 1344 # data_return_size: 1344 # data_offset: 0 # communities: 3850,3 3858,3 3866,3 closeness 本地,OBS # runtime: {runtime} # source: {source} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # closeness: {closeness} # runtime: 0.394 # source: 12 # data_total_size: 1 # data_return_size: 1 # data_offset: 0 # closeness: 0.5087719298245614 cluster_coefficient (statistic = true) 本地,OBS # runtime: {runtime} # cluster_coefficient: {cluster_coefficient} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # vertex_cluster_coefficient: {vertexID},{cluster_coefficient} # runtime: 0.661 # cluster_coefficient: 0.13517429595852912 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # vertex_cluster_coefficient: common_neighbors_of_vertex_sets 本地,OBS # runtime: {runtime} # common_neighbors: {common_neighbors} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # vertices: {vertexID} # runtime: 0.42 # common_neighbors: 26 # data_total_size: 26 # data_return_size: 26 # data_offset: 0 # vertices: 103 138 98 connected_component 本地,OBS # runtime: {runtime} # community_num: {community_num} # Max_WCC_size: {Max_WCC_size} # Max_WCC_id: {Max_WCC_id} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # community: {vertexID},{community} # runtime: 0.263 # community_num: 1 # Max_WCC_size # Max_WCC_id # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # community: 2,0 6,0 13,0 edge_betweenness 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # edge_betweenness: {sourceID},{targetID},{edge_betweenness} # runtime: 153.006 # data_total_size: 311 # data_return_size: 311 # data_offset: 0 # edge_betweenness: 51,20,1.3333333333333333 51,33,7.192099567099566 51,10,3.4761904761904763 infomap 本地,OBS # runtime: {runtime} # min_code_length: {min_code_length} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # community: {vertexID},{community} # runtime: 98.158 # min_code_length: 6.2680095519443135 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # community: 2,20000000055 6,20000000050 13,20000000014 k_hop 本地,OBS # runtime: {runtime} # source: {source} # k: {k} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # vertices: {vertexID} # runtime: 0.442 # source: 76 # k: 6 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # vertices: 2 6 13 kcore 本地,OBS # runtime: {runtime} # kmax: {kmax} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # coreness: {vertexID},{coreness} # runtime: 10.882 # kmax: 15 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # coreness: 2,14 6,15 13,15 label_propagation 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # community: {vertexID},{community} # runtime: 2.624 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # community: 2,10000000024 6,10000000024 13,10000000024 link_prediction 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # link_prediction: {link_prediction} # runtime: 0 # source: 123 # target: 43 # data_total_size: 1 # data_return_size: 1 # data_offset: 0 # link_prediction: 0.07017543859649122 louvain 本地,OBS # runtime: {runtime} # modularity: {modularity} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # community: {vertexID},{community} # runtime: 45.835 # modularity: 0.16375671670152867 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # community: 2,20000000062 6,20000000050 13,20000000050 n_paths 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # paths_number: {paths_number} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # paths: 每行为一条路,格式: {sourceID},{vertexID1},...,{targetID} # runtime: 8.025 # source: 123 # target: 87 # paths_number: 100 # data_total_size: 100 # data_return_size: 100 # data_offset: 0 # paths: 123,21,87 123,13,87 123,32,87 od_betweenness 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # edge_betweenness: {sourceID},{targetID},{edge_betweenness} # runtime: 1.391 # data_total_size: 311 # data_return_size: 311 # data_offset: 0 # edge_betweenness: 51,20,0 51,33,0 51,10,0 pagerank 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # pagerank: {vertexID},{pagerank} # runtime: 4.044 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # pagerank: 2,0.007888904051903298 6,0.013215863692849642 13,0.01860530199450448 personalrank 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # personalrank: {vertexID},{personalrank} # runtime: 2.326 # source: 46 # data_total_size: 49 # data_return_size: 49 # data_offset: 0 # personalrank: 0,0.0021350905350732297 1,0.004591151406893241 shortest_path 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # path: 每行为一条路,格式: {sourceID},{vertexID1},...,{targetID} # runtime: 0.308 # source: 123 # target: 5 # data_total_size: 1 # data_return_size: 1 # data_offset: 0 # path: 123,10,137,5 shortest_path_of_vertex_sets 本地,OBS # runtime: {runtime} # source: {source} # target: {target} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # path: 每行为一条路,格式: {sourceID},{vertexID1},...,{targetID} # runtime: 1.832 # source: 24 # target: 121 # data_total_size: 1 # data_return_size: 1 # data_offset: 0 # path: 24,121 single_vertex_circles_detection 本地,OBS # runtime: {runtime} # source: {source} # min_circle_length: {min_circle_length} # max_circle_length: {max_circle_length} # limit_circle_number: {limit_circle_number} # circle_number: {circle_number} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # circles: 每行为一条路,格式: {sourceID},{vertexID1},...,{sourceID} # runtime: 37.46 # source: 122 # target: # min_circle_length: 3 # max_circle_length: 10 # limit_circle_number: 100 # circle_number: 100 # data_total_size: 100 # data_return_size: 100 # data_offset: 0 # circles: 122,82,79,76,65,122 122,125,135,77,65,122 122,82,114,96,65,122 sssp 本地,OBS # runtime: {runtime} # source: {source} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # distance: {vertexID},{distance} # runtime: 0.452 # source: 32 # data_total_size: 48 # data_return_size: 48 # data_offset: 0 # distance: 0,2 5,2 7,2 subgraph_matching 本地,OBS # runtime: {runtime} # pattern_graph: {pattern_graph} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # subgraphs: 每行为一个匹配的子图,格式: {vertexID1},{vertexID2},...,{vertexIDn} ------ statistics = true------- # runtime: 1.376 # pattern_graph: 2,3,1 # data_total_size: 1 # data_return_size: 1 # data_offset: 0 # subgraph_number: 1556 ------ statistics = false------- # runtime: 0.956 # pattern_graph: 2,3,1 # subgraph_number: 0 # data_total_size: 100 # data_return_size: 100 # data_offset: 0 # subgraphs: 0,51,126 0,51,131 0,126,113 topic_rank 本地,OBS # runtime: {runtime} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # topicrank: {vertexID},{topicrank} # runtime: 1.11 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # topicrank: 2,0.00663068274092574 6,0.007278130208954746 13,0.007869137668788257 triangle_count (statistic = true) 本地,OBS # runtime: {runtime} # triangle_count: {triangle_count} # data_total_size: {data_total_size} # data_return_size: {data_return_size} # data_offset: {data_offset} # vertex_triangles: {vertexID},{vertex_triangles} # runtime: 0.491 # triangle_count: 1653 # data_total_size: 32 # data_return_size: 32 # data_offset: 0 # vertex_triangles: 算法结果失败返回示例: Http Status Code: 400 { "errorMessage": "Unsupported output file format", "errorCode": "GES.8301" } 父主题: HyG算法API
-
请求示例 POST http://{SERVER_URL}/ges/v1.0/{project_id}/hyg/{graph_name}/algorithm { "algorithmName": "topicrank", "vertex_filter": { "property_filter": { "leftvalue": { "label_name": "labelName" }, "predicate": "=", "rightvalue": { "value": "user" } } }, "parameters": { "sources": "lili,andy", "alpha": 0.85, "convergence": 0.00001, "max_iterations": 1000, "filtered": "true" } } SERVER_URL:图的访问地址,取值请参考业务面API使用限制。
-
响应示例 状态码: 200 成功响应示例 Http Status Code: 200 { "jobId": "4448c9fb-0b16-4a78-8d89-2a137c53454a001679122", "jobType": 1 } 状态码: 400 失败响应示例 Http Status Code: 400 { "errorMessage":"graph [demo] is not found", "errorCode":"GES.8402" }
-
响应参数 参数 类型 说明 errorMessage String 系统提示信息,执行成功时,字段可能为空。执行失败时,用于显示错误信息。 errorCode String 系统提示信息,执行成功时,字段可能为空。执行失败时,用于显示错误码。 jobId String 执行算法任务ID。请求失败时,字段为空。 说明: 可以利用返回的jobId查看任务执行状态、获取算法返回结果,详情参考查询Job状态(1.0.0)。 jobType Integer 任务类型。请求失败时,字段为空。
-
点集最短路(shortest_path_of_vertex_sets) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 sources 是 起点ID集合 String 标准csv格式,ID之间以英文逗号分隔,例如:“Alice,Nana”。 个数不大于100000。 - targets 是 终点ID集合 String 标准csv格式,ID之间以英文逗号分隔,例如:“Alice,Nana”。 个数不大于100000。 - directed 否 是否考虑边的方向 Boolean 取值为true,不支持false。 true timeWindow 否 用于进行时间过滤的时间窗 Object 具体请参见表2。 - 表2 timeWindow参数说明 参数 是否必选 说明 类型 取值范围 默认值 filterName 否 用于进行时间过滤的时间属性名称 String 字符串:对应的点/边上的属性作为时间 - filterType 否 在点或边上过滤 String V:点上 E:边上 BOTH:点和边上 BOTH startTime 否 起始时间 String Date型字符串或时间戳 - endTime 否 终止时间 String Date型字符串或时间戳 - 表3 response_data参数说明 参数 类型 说明 path List 最短路径,格式: [vertexId,...] 其中, vertexId:string类型 source String 起点ID target String 终点ID 父主题: 算法API参数参考
-
最短路径(shortest_path)(2.1.5) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 输入路径的起点ID。 String - - target 是 输入路径的终点ID。target取值不能与source取值相同。 String - - weight 否 边上权重。 String 空或字符串。 空:边上的权重、距离默认为“1”。 字符串:对应的边上的属性将作为权重,当某边没有对应属性时,权重将默认为1。 说明: 边上权重应大于0。 - directed 否 是否考虑边的方向。 Boolean true或false。 false timeWindow 否 用于进行时间过滤的时间窗 Object 具体请参见表2。 说明: timeWindow目前不支持带weight的最短路,即timeWindow与weight不可同时输入。 - 表2 timeWindow参数说明 参数 是否必选 说明 类型 取值范围 默认值 filterName 是 用于进行时间过滤的时间属性名称 String 字符串:对应的点/边上的属性作为时间 - filterType 否 在点或边上过滤 String V:点上 E:边上 BOTH:点和边上 BOTH startTime 否 起始时间 String Date型字符串或时间戳 - endTime 否 终止时间 String Date型字符串或时间戳 - 表3 response_data参数说明 参数 类型 说明 path List 最短路径,格式: [vertexId,...] 其中, vertexId:string类型 source String 起点ID target String 终点ID 父主题: 算法API参数参考
-
连通分量(connected_component)(1.0.0) 当前该算法不需要输入parameters参数就可以运行。 表1 response_data参数说明 参数 类型 说明 Max_WCC_size Integer 最大连通分量中节点的个数 Max_WCC_id String 最大连通分量对应的连通集合ID community List 各节点对应的连通集合(community),格式:[{vertexId:communityId},...] 其中, vertexId: string类型 communityId: string类型 父主题: 算法API参数参考
-
请求示例 执行指定算法,算法名字为pagerank,算法的权重系数为0.85,收敛精度为0.00001,最大迭代次数为1000,考虑边的方向。 POST http://{SERVER_URL}/ges/v1.0/{project_id}/graphs/{graph_name}/action?action_id=execute-algorithm { "algorithmName":"pagerank", "parameters":{ "alpha":0.85, "convergence":0.00001, "max_iterations":1000, "directed":true } } SERVER_URL:图的访问地址,取值请参考业务面API使用限制。
-
响应参数 表2 响应Body参数说明 参数 类型 说明 errorMessage String 系统提示信息。 执行成功时,字段可能为空。 执行失败时,用于显示错误信息。 errorCode String 系统提示信息。 执行成功时,字段可能为空。 执行失败时,用于显示错误码。 jobId String 执行算法任务ID。请求失败时,该字段为空。 说明: 可以查询jobId查看任务执行状态、获取返回结果,详情参考Job管理API。 jobType Integer 任务类型。请求失败时,该字段为空。
更多精彩内容
CDN加速
GaussDB
文字转换成语音
免费的服务器
如何创建网站
域名网站购买
私有云桌面
云主机哪个好
域名怎么备案
手机云电脑
SSL证书申请
云点播服务器
免费OCR是什么
电脑云桌面
域名备案怎么弄
语音转文字
文字图片识别
云桌面是什么
网址安全检测
网站建设搭建
国外CDN加速
SSL免费证书申请
短信批量发送
图片OCR识别
云数据库MySQL
个人域名购买
录音转文字
扫描图片识别文字
OCR图片识别
行驶证识别
虚拟电话号码
电话呼叫中心软件
怎么制作一个网站
Email注册网站
华为VNC
图像文字识别
企业网站制作
个人网站搭建
华为云计算
免费租用云托管
云桌面云服务器
ocr文字识别免费版
HTTPS证书申请
图片文字识别转换
国外域名注册商
使用免费虚拟主机
云电脑主机多少钱
鲲鹏云手机
短信验证码平台
OCR图片文字识别
SSL证书是什么
申请企业邮箱步骤
免费的企业用邮箱
云免流搭建教程
域名价格