✓ 文件回写 ✕ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

概述

K 最近邻 （kNN, k-NearestNeighbor） 算法，也称最近邻算法，是一种根据目标节点的 k 个最近（最相似）节点的分类对目标节点进行分类的技术。kNN 由 T.M. Cover 和 P.E. Hart 于 1967 年提出，此后成为最广泛使用的分类算法之一：

• T.M. Cover, P.E. Hart, Nearest Neighbor Pattern Classification (1967)

尽管名称中包含单词“邻居”，但 kNN 在计算相似性时并不明确考虑节点之间的边，它只关注节点的属性。

基本概念

相似度指标

Ultipa 的 kNN 算法计算目标节点与图中所有其他节点之间的余弦相似度，然后选择与目标节点相似度最高的 k 个节点。

选举分类

用节点的某个属性作为分类标签。找到与目标节点最近的 k 个节点后，将 k 个节点中出现次数最多的标签分配给目标节点。

如果出现次数最多的标签有多个，则选取其中相似度相最高的节点的标签。

语法

• 命令：algo(knn)
• 参数：

示例

示例图包含 6 个图片节点（忽略边），每个节点有 d1、d2、d3、d4 和 type 属性：

文件回写

algo(knn).params({
  node_id: 1,
  node_schema_property: ['d1', 'd2', 'd3', 'd4'],
  top_k: 4,
  target_schema_property: @image.type
}).write({
  file:{
    filename: "knn"
    }
})

结果：文件 knn

Gold
top k : image4,0.538975
image3,0.705072
image6,0.841922
image2,0.85516

直接返回

algo(knn).params({
  node_id: 1,
  node_schema_property: ['d1', 'd2', 'd3', 'd4'],
  top_k: 4,
  target_schema_property: @image.type
}) as a1, a2 
return a1, a2

结果：a1 和 a2

流式返回

algo(knn).params({
  node_id: 2,
  node_schema_property: ['@image.d1', '@image.d2', '@image.d3', '@image.d4'],
  top_k: 5,
  target_schema_property: @image.type
}).stream() as label
find().nodes({_uuid == 2}) as target
return case
  when target.type == label.attribute_value then 'True'
  else 'false'
end

结果：false

find().nodes({@image}) as images
call {
    with images._uuid as target
    algo(knn).params({
      node_id: target,
      node_schema_property: ['d1', 'd2', 'd3', 'd4'],
      top_k: 3,
      target_schema_property: 'type'
    }).stream() as label
    return label
}
return table(images._id, label.attribute_value)

结果：table(images._id, label.attribute_value)