✓ 文件回写 ✕ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

概述

随机游走（Random Walk）从图中的某个节点开始，随机移动至其中一个邻居节点；这个过程通常会重复进行预设的次数。这个概念最早由英国数学家和生物统计学家 Karl Pearson 于 1905 年引入，自那时以来，它已经成为了研究各种系统的基石，而不仅限于图论领域。

• K. Pearson, The Problem of the Random Walk (1905)

基本概念

随机游走

随机游走是一种数学模型，用于模拟以随机或不可预测的方式进行的一系列步骤，类似于一个醉汉酒后乱步所形成路径。

基本的随机游走在一维空间中进行：一个节点从数轴的原点开始，每次向上或向下移动一个单位，移动的方向概率相等。一个 10 步随机游走的示例如下：

以下是多次执行这种随机游走的示例，每次游走 100 步：

图中的随机游走

在图中，随机游走从一个节点开始，并依次经过相邻节点形成路径。这个过程由游走深度控制，该深度确定要访问的节点数。

Ultipa 的随机游走算法实现的是经典随机游走。默认情况下，每条边被赋予相同的权重（等于 1），从而遍历每条边的概率相等。当指定边权重时，遍历每条边的概率与其权重成正比。需要注意的是，随机游走存在多种变体，例如 Node2Vec 游走和Struc2Vec 游走。

特殊说明

• 节点可以沿自环边游走。
• 如果游走从一个孤点开始，且该点没有自环边，那么游走在第一步后就会停止，因为没有相邻的边可以继续前进。
• 随机游走的结果与边的方向无关。

语法

• 命令：algo(random_walk)
• 参数：

示例

示例图如下，边上的数值是边属性 score 的值：

文件回写

algo(random_walk).params({
  walk_length: 6,
  walk_num: 2
}).write({
  file:{
    filename: 'walks'
}})

结果：文件 walks

K,
J,G,J,G,F,D,
I,I,I,H,I,I,
H,I,I,I,I,I,
G,J,G,J,G,H,
F,D,C,A,B,A,
E,F,D,C,D,C,
D,F,G,H,G,H,
C,D,F,E,F,D,
B,A,B,A,C,A,
A,C,A,C,D,F,
K,
J,G,J,G,J,G,
I,I,I,H,I,I,
H,I,H,G,J,G,
G,H,I,I,H,G,
F,D,C,D,F,E,
E,C,D,F,G,J,
D,C,D,C,E,F,
C,E,C,A,B,A,
B,A,B,A,C,A,
A,B,A,C,D,C,

直接返回

algo(random_walk).params({
  walk_length: 6,
  walk_num: 2,
  edge_schema_property: 'score'
}) as walks
return walks

结果：walks

流式返回

algo(random_walk).params({
  walk_length: 5,
  walk_num: 1,
  edge_schema_property: '@default.score'
}).stream() as walks
where size(walks) == 5
return walks

结果：walks