✓ 文件回写 ✕ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

概述

在数学中，欧几里得空间中两点之间的欧几里得距离（Euclidean Distance，也称为欧氏距离）是两点之间的直线长度。在图中，指定节点的 N 个数值属性（特征）来表示节点在 N 维欧几里得空间中的位置。

基本概念

欧几里得距离

在二维空间中，两个点 A(x₁, y₁) 和 B(x₂, y₂) 之间的欧几里得距离公式为：

在三维空间中，两个点 A(x₁, y₁, z₁) 和 B(x₂, y₂, z₂) 之间的欧几里得距离公式为：

推广到 N 维空间，欧几里得距离公式为：

其中，xi₁ 表示第一个点的第 i 维坐标，xi₂ 表示第二个点的第 i 维坐标。

欧几里得距离的取值范围是 0 到 +∞，数值越小，两个节点越相似。

标准化欧几里得距离

标准化欧几里得距离将欧几里得距离的取值范围缩放到 0 至 1；越接近 1，两个节点越相似。

Ultipa 采用的标准化欧几里得距离计算公式为：

特殊说明

• 两个节点的欧几里得距离理论上不依赖它们之间的连通性。

语法

• 命令：algo(similarity)
• 参数：

本算法有两种计算模式：

1. 配对：同时配置了 ids/uuids 和 ids2/uuids2 时，将第一组与第二组中的节点两两配对（笛卡尔乘积），逐对计算相似度。
2. 选拔：仅配置 ids/uuids 时，对于每一个节点，计算其与图中其他所有节点的相似度，目的是选拔与其最相似的节点，返回的 top_list 包含所有与其相似度大于 0 的结果并按相似度降序排列。

示例

示例图包含 4 个产品（忽略边），每个产品包含 price、weight、width 和 height 属性：

文件回写

algo(similarity).params({
  uuids: [1], 
  uuids2: [2,3,4],
  node_schema_property: [price,weight,width,height],
  type: "euclideanDistance"
}).write({
  file:{ 
    filename: "ed"
  }
})

结果：文件 ed

product1,product2,94.3822
product1,product3,143.962
product1,product4,165.179

algo(similarity).params({
  uuids: [1,2,3,4],
  node_schema_property: [price,weight,width,height],
  type: "euclidean"
}).write({
  file:{ 
    filename: "ed_list"
  }
})

结果：文件 ed_list

product1,product2:0.010484;product3:0.006898;product4:0.006018;
product2,product3:0.018082;product4:0.013309;product1:0.010484;
product3,product4:0.024091;product2:0.018082;product1:0.006898;
product4,product3:0.024091;product2:0.013309;product1:0.006018;

直接返回

algo(similarity).params({
  uuids: [1], 
  uuids2: [2,3,4],
  node_schema_property: [price,weight,width,height],
  type: "euclideanDistance"
}) as distance
return distance
order by distance.similarity desc

结果：distance

algo(similarity).params({
  uuids: [1,2],
  type: "euclidean",
  node_schema_property: [price,weight,width,height],
  top_limit: 1
}) as top
return top

结果：top

流式返回

algo(similarity).params({
  uuids: [3], 
  uuids2: [1,2,4],
  node_schema_property: [price,weight,width,height],
  type: "euclidean"
}).stream() as distance
where distance.similarity > 0.01
return distance

结果：distance

algo(similarity).params({
  uuids: [1,3],
  node_schema_property: [price,weight,width,height],
  type: "euclideanDistance",
  top_limit: 1
}).stream() as top
return top

结果：top