sword_csdn的博客

目录背景设计思路背景2019年，基于“图形”（Graph）的存储、分析相关技术被Gartner评为十大数据与分析技术之一。基于Graph实现的存储可以进行高效的建模，进而可以探索与查询具有相互复杂关系的数据。设计思路图平台需要促进不同类型数据的融合，并进行分析。所以在分析数据之前，需要先实现数据的融合，这些数据对应真实世界中的各类对象。为了让不同类型的对象都能进到平台，需要提供一个对象定义的功能。这个功能主要是告诉平台这个对象是什么？例如我在定义一名球员.........

中心性算法用于理解特定节点的作用及其对网络的影响。这些算法可以识别最重要的节点，帮助我们了解群组动态，例如可信度、可访问性、事物的传播速度以及群组之间的桥梁等。Degree（度中心性算法）度量节点拥有的关系数量，例如，通过研究入度来评估某人的受欢迎程度，使用出度评估其社交情况。......

目录Assortativity coefficient（同配系数）Average neighbor degreeAssortativity coefficient（同配系数）同配性（Assortativity），用作考察度值相近的节点是否倾向于相互连接。在社交网络中，节点倾向于与度数相近的节点相连。如果总体上度大的节点倾向于与度大的节点相连，那么该网络的度是正相关的。或者称网络是同配的。如果度大的节点倾向于与度小的节点相连，那么该网络的度是负相关的，或者称网络是异配的。同配系数是一种基于“度”的皮尔

目录样例数据ConnectivityK-ComponentsClique,apx-maximum independent set样例数据{ "node_title": ["id","name","age"], "node_title_type": ["string","string","string"], "nodes": [ ["p1","Tayler","32"], ["p2","Marco","31"], ["p3","Mike","30"], ["p4

图（graph）G=(V,E)G=(V,E)G=(V,E)由点集VVV（nodes或vertices）和边集EEE（edges或arcs）组成。点表示实体对象，边表示实体对象之间的联系。假设n=∣V∣n=|V|n=∣V∣（点集中点的数量）和m=∣E∣m=|E|m=∣E∣（边集中边的数量）。图GGG的大小定义为为图包含的点的数量，即nnn。对于所有的v,w∈Vv,w\in Vv,w∈V，(v,w)(v,w)(v,w)表示为从vvv到www的一条有向边（direct edge），{v,w}\{v,w\}{v,w