图的常见衡量指标及算法调研
最近调研了一些图算法，简单做一个汇总。
| 算法核心 | 图算法分类 | 算法名称/指标 | 详细描述 | 算法包含关系 |
| 点 | 基础图算法 | Clossness | 衡量点是否位于每个图的中心，即该点到其他节点的最短路径（SSSP）的平均长度 | SSSP |
| 点 | 基础图算法 | Betweenness | 衡量某点、边的重要程度，即对所有的最短路径（sssp），找重合点、边 | SSSP |
| 点 | 基础图算法 | PageRank | 节点的重要程度 | - |
| 点 | 基础图算法 | Katz | 每个点邻居的中心性作为该结点的中心性，且对入度为0的点做特殊化处理 | - |
| 边（路径） | 基础图算法 | BFS | 图遍历算法-宽度优先搜索 | - |
| 边（路径） | 基础图算法 | DFS | 图遍历算法-深度优先搜索 | - |
| 边（路径） | 基础图算法 | SSSP | 图遍历算法-单元最短路径 | - |
| 边（路径） | 基础图算法 | 三角计数 | 衡量图的紧密程度 | - |
| 边（路径） | 基础图算法 | 最大流算法 | 在流网络里，寻找起点到终点的最大流量 | BFS/DFS |
| 子图 | 基础图算法 | 子图查询/子图匹配 | 查找图里某个形状的子图 | BFS/DFS |
| 子图 | 图挖掘算法 | SCC | 查找图的强连通分量 | BFS/DFS |
| 子图 | 图挖掘算法 | WCC | 查找图的弱连通分量 | - |
| 子图 | 图挖掘算法 | gSpan（频繁集挖掘） | 查找图里出现频繁的某个子图 | DFS |
| 子图 | 图结构类算法（社区发现） | k-Core | 在原图中查找若干子图，子图里每个点的度至少为k | - |
| 子图 | 图结构类算法（社区发现） | Louvain算法 |
基于模块度（Modularity）的社区发现算法
|
- |
| 子图 | 图结构类算法（社区发现） | label-propagation（LPA） | 基于标签传播的社区发现算法 | - |
| 子图 | 图结构类算法（社区发现） | HANP | 在LPA基础上，增加衰减因子，考虑图结构 | - |
| 子图 | 图结构类算法（社区发现） | 基于聚类的社区发现算法 | kmeans | - |
| 子图 | 图结构类算法（社区发现） | 基于团的社区发现算法 | 找接近于最大团的子图 | - |
另外，对一些图计算开源平台内嵌的图算法也做了汇总
| 图数据库及图算法平台 | 嵌入算法 |
| 阿里达摩院智能计算实验室：GraphScope |
1、基础图算法：SSSP、PageRank、三角形计数、 2、度的中心线：特征向量中心度（eigenvector_centrality）、卡兹中心度（katz_centrality） 3、连通性算法：WCC（弱联通分量）、社区检测（cdlp、k-core、Louvain、label-propagation） 3、图神经网络算法：GraphSage、GCN |
| 腾讯：Plato |
1、基础图算法：树深度、BFS、N-阶度、HyperANF、PageRank 2、图特征打包计算：节点数/边数/密度/节点度分布；度中心性：Closeness、Betweenness 3、连通性算法：社区发现（连通分量、LPA、HANP、K-core） 4、图表示学习：Node2Vec-Randomwalk、Metapath-Randomwalk |
| 北京大学：gStore | 1、基础算法：sssp、子图、环检测、K跳查询、可达性查询 |
| Tigergraph |
1、基础图算法：SSSP、APSP（全顶点对最短路径）、PageRank、三角计数 2、图特征-中心度：Clossness、Betweenness 3、（连通性算法）：SCC（强连通分量）、WCC（弱连通分量）、社区检测（Louvain、label-propagation） |
图的常见衡量指标及算法调研相关推荐
- 推荐系统[一]：超详细知识介绍，一份完整的入门指南，解答推荐系统相关算法流程、衡量指标和应用，以及如何使用jieba分词库进行相似推荐，业界广告推荐技术最新进展
搜索推荐系统专栏简介:搜索推荐全流程讲解(召回粗排精排重排混排).系统架构.常见问题.算法项目实战总结.技术细节以及项目实战(含码源) 专栏详细介绍:搜索推荐系统专栏简介:搜索推荐全流程讲解(召回粗排 ...
- 机器学习算法衡量指标——准确率、精确率（查准率）、召回率（查全率）
机器学习算法衡量指标 在分类问题中,将机器学习模型的预测与实际情况进行比对后,结果可以分为四种:TP.TN.FN.FP.每个的第一个字母:T/F,代表预测结果是否符合事实,模型猜得对不对,True o ...
- trick3-关于目标检测算法好坏的一些衡量指标
文章目录 前言 一.网络运算时的组成 二.关于目标检测网络的常用指标 1.AP(%) 2.Parameters 3.GFLOPs 4.Latency 5.FPS 总结 前言 并不是参数量越少,网络运行 ...
- 机器学习（聚类五）——聚类算法的衡量指标
算法的好坏,都要有相应的指标来衡量.尤其聚类的特殊性,也有一些特殊的算法. 衡量指标 这里介绍7种能够用于不同场景下聚类算法的衡量指标: 混淆矩阵 均一性 整性 V-measure 调整兰德系数(AR ...
- 阿里重磅发布大规模图神经网络平台AliGraph，架构算法解读
图神经网络(GNN)主要是利用神经网络处理复杂的图数据,它将图数据转换到低维空间,同时最大限度保留结构和属性信息,并构造一个用于训练和推理的神经网络.在实际应用中,为了加速GNN训练和新算法的快速迭代 ...
- 【java 性能优化实战】1 理论分析：性能优化，有哪些衡量指标、性能优化的技术手段
指标是我们衡量很多事物,以及做出行为决策的重要参考.例如在生活中,当你打算买汽车时,会关注很多指标,比如动力性.燃油经济性.制动性.操纵稳定性.平顺性.通过性.排放与噪声等,而这些指标也都有相关的测试 ...
- 设无向图g如图所示_阿里重磅发布大规模图神经网络平台 AliGraph，架构算法解读...
图神经网络 (GNN) 主要是利用神经网络处理复杂的图数据,它将图数据转换到低维空间,同时最大限度保留结构和属性信息,并构造一个用于训练和推理的神经网络.在实际应用中,为了加速 GNN 训练和新算法的 ...
- 【机器学习】线性回归，多元线性回归、自回归及衡量指标
经典线性模型自变量的线性预测就是因变量的估计值. 广义线性模型:自变量的线性预测的函数是因变量的估计值. 常见的广义线性模型有:probit模型.poisson模型.对数线性模型等.对数线性模型里有: ...
- 无监督机器学习中，最常见4类聚类算法总结 | 技术头条
点击上方↑↑↑蓝字关注我们~ 「2019 Python开发者日」,购票请扫码咨询 ↑↑↑ 编译 | 安然.狄思云 来源 | 读芯术(ID:AI_Discovery) 在机器学习过程中,很多数据都具有特 ...
- KGC的衡量指标（MR、MRR、Hits@n）
KGE,知识图谱嵌入(Knowledge Graph Embedding),衡量kge模型性能主要有以下几个常见的指标,有MR.MRR和Hits@n MR(Mean Rank):是平均排名 MRR(M ...
最新文章
- 强化学习—— 经验回放（Experience Replay）
- UriComponentsBuilder和UriComponents url编码
- 【QT】QT从零入门教程(十一)：QT自定义窗口
- java 阻塞队列介绍
- 机器人操作系统ROS浅析
- 移动端 点击图片放大
- 计算2015年4月6日是一年中的第几星期
- 如何做好性能压测（一） | 压测环境的设计和搭建
- Unity3D IAP Google支付
- 如何自定义您的Nintendo Switch主屏幕
- 正则表达式之小工具系列
- Spring Boot Spring Cloud 区分 开发环境 测试环境 预发布环境（灰度环境） 正式环境
- ASCII码对照表（转载）
- 无旋Treap（fhq）
- 什么是JPA（Java persistence API）？
- velocity学习（2）--VTL 语法
- android探索宇宙app,AR研学星系探索app
- c语言1h什么意思,标准现代精确——1C开叫1H应叫及其他应叫
- matplotlib 的 marker 颜色更改
- CST微波工作室学习笔记—12.同轴线仿真分析和优化设计