图计算 | ezoodb 文档

# 图计算

图计算是专门针对图结构的数据处理，它基于数据实体信息及图上拓扑结构，对图进行分析和挖掘。

从广义上讲，一切基于图数据进行的分析计算都属于图计算，除了作为智能图平台的存储底座，eZooDB同时也提供了多种高性能图计算能力。

图计算的能力可以分成三个阶段：

图查询可以把实体之间的关系完整地刻画和描述出来，让我们对图上信息获得更详细全面的了解。

很多时候实体间的关系并不是显性的，需要通过一系列推理才能够得出，图计算可以运用算法推导出实体间的隐藏联系，例如：发现图上的相似节点或关键节点。

图计算为人工智能提供学习的基础能力，它能够将上述的理解能力和推理能力结合起来，实现对图上各实体关系的总结、描述和演绎。

下面我们将通过几个例子来对常用的图计算进行介绍。

常见应用场景：

多阶邻居的查询也能获取特定的邻居进行强化关联。以社交网络为例，每个人的一阶好友关系为其可见的人脉集合，而二阶好友往往是每个人的人脉盲区，通过特定的二阶好友的查询能够精确定位到符合需求的人脉。

近邻往往同自身关系密切或属性相近，多阶扩散则是用来获取同自身属性一致或相近的人群。例如：在特定标签的人群识别中，同类人群往往形成社区并且彼此间紧密关联，从已知的标签人群出发，通过相应标签场景的紧密的关联（如：共同设备）扩散出的人群往往能覆盖未知的标签人群。

多阶邻居查询也用来获取近邻分布，进而更精准地刻画用户自身特定属性。例如：程序员在社交网络关联的邻居里，具有程序员标签的用户密度会明显偏高。对于一个未知标签的用户，可以通过其社交网络或资金网络多阶邻居中已知的用户分布来辅助确定用户是否具有相应的属性。

对于给定的一个顶点，多阶邻居的全貌展示能够有助于对顶点更深刻的理解，即通过多阶邻居的关联来对顶点进行画像。这类应用的落地主要通过图可视化工具对多阶邻居的展示来完成。

路径聚焦两点间的间接关联关系，间接关联获取成本更大，更为隐蔽。通过对路径的高效查询能够降低间接关联的发现成本。

常见应用场景：

犯罪团伙往往将资金关联拉长以和监管进行对抗，基于账户节点与转账关系构建图，通过路径查询可以实现高效的资金链路检测。

在各种复杂网络中，基于设备节点和连接关系构建图，通过路径查询可以实现实时的路由管理及监控。

子图查询可以根据查询需求，精准地找到原图中的实体和对应边，获得更加精准的范围，帮助我们完成图分析。

子图查询的目标是一些顶点集合或边集合，例如查询满足条件：在北京生活、月消费大于500元、女性的用户的好友关系网。

中心度的要点是了解网络中哪个节点更重要，不同类型的中心性算法可以度量不同的事物，例如：快速传播信息的能力和桥接不同群体的能力。它们可以帮助用户了解群组动态，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。

用户选择社群发现算法，对图谱进行计算，可以识别图上有关联关系的集合，揭示节点簇、孤立群组和网络结构。帮助用户推断同类群组的相似行为或偏好，为其他分析准备数据。