概述

全图K邻算法能识别图中每个节点的邻域。该算法广泛应用于关系发现、影响力预测、好友推荐等场景中。

全图K邻算法可以看作是K邻查询UQL命令的批量执行。

特殊说明

尽管全图K邻算法针对高并发性能进行了优化，但需要注意，在处理大型图（具有数千万个节点或边的图）或包含许多超级节点的图时，此算法仍会消耗大量计算资源。为了优化性能，要充分考虑图的特定特征和大小，建议避免执行过深的全图K邻计算。

在图G=(V, E)中，如果|E|/|V|=100，理论上查询一个节点的5跳邻居需要10⁵（相当于100亿次计算）的计算复杂度，大约需要100毫秒。由此推断，在具有1千万节点的图中完成此类查询将需要100万秒（相当于约12天）。在处理这种规模的图形时，考虑计算需求和时间要求非常重要。

语法

• 命令：algo(khop_all)
• 参数：

示例

示例是一个银行卡转账网络：

文件回写

algo(khop_all).params({
  ids: ['card1', 'card7'],
  k_start: 2,
  k_end: 3,
  direction: 'out',
  node_property: ['@card.level', '@card.balance'],
  aggregate_opt: ['max', 'mean']
}).write({
  file:{
    filename_ids: 'neighbors',
    filename: 'aggregations'
  }
})

结果：文件neighbors、aggregations

card1,card7
card1,card3
card1,card4
card7,card4

card1,4.000000,3174.103333,3.000000,
card7,2.000000,4768.800000,1.000000,

属性回写

algo(khop_all).params({ 
  k_start: 2,
  k_end: 2
}).write({
  db:{ 
    property: 'khop2'
  }
})

结果：每个节点的2步邻居数量回写至名为khop2的点属性下

直接返回

algo(khop_all).params({
  ids: ['card1', 'card7'],
  k_start: 2,
  k_end: 3,
  node_property: ['@card.level', '@card.balance'],
  aggregate_opt: ['max', 'mean']
}) as r
return r

结果：r

流式返回

algo(khop_all).params({
   uuids: [2],
   k_start: 2,
   k_end: 2,
   node_property: '@card.balance',
   aggregate_opt: 'max'
}).stream() as results 
return results

结果：results