声明：本文参考自《华为云开发者学堂 》，图引擎服务（Graph Engine Service），是针对以“关系”为基础的“图”结构数据，进行查询、分析的服务广泛应用于社交关系分析、推荐、精准营销、舆情及社会化聆听、信息传播、防欺诈等具有丰富关系数据的场景

前言

本文将分为以下3个部分进行介绍：

第1章 什么是图计算

第2章 图引擎服务介绍

第3章 查询和分析功能介绍

本文主要介绍了图计算定义及特点，希望通过本文能够让你了解图计算及华为云图引擎服务，掌握使用图引擎进行查询和分析

一、什么是图计算

1.图.无处不在

在现实生活中，人与人，物品与物品，人与物品之间存在着多样性的关系，我们会获得多种多样的图，如下所示，可以看出图在我们现实生活中是无处不在的。

通信网络

顶点: devices, routers; 边: network flow

社交网络

顶点: users, posts; 边: relations, Likes

用户商品图

顶点: users, items; 边: Ratings

天气变化的Wiki文章

顶点: Wiki articles; 边: Links

2. 什么是图计算

• 定义：“图计算”是以“关系”为基础对现实世界的一种“图”结构的抽象表达，以及在这种数据结构上的计算模式

• 描述： G = （V，E，D） V = vertex （顶点或者节点） E = edge （边） D = data （属性&权重）

• 擅长： 擅长处理具备连接关系的、海量的、多变的数据的查询、分析；

特点：

• 不依赖数据的结构化，数据多样

• 多数据关联，具备传播能力

• 数据动态变化，实时交互式分析

• 可解释

天然就是图数据关系：

• 社交关系

• 资讯传播网络

• 通信网络

• 组织结构

• ……

适合场景：

• 意见领袖挖掘

• 好友推荐

• 用户分群

• 组织结构分析

• ……

3. 图计算优势

• 表达能力强，适合表达多种复杂关系、支持丰富语义

从表达能力上看，传统数据库表达数据相对单一，图计算可以支持N对N的表达，形式更加多样，表达能力更强

丰富的数据表达，可扩展性支持

关系数据库 图计算

(1:1或1:N) (N:N)

• 大数据量下，潜在关系挖掘 快速高效

从性能上看，图计算对于多重关系的查询速度远远高于传统的数据库，同时图具备高性能的并行计算能力

无论从表达能力上还是性能上均可以看出，图计算具有更大的应用优势，

快速的多跳关系查询

跳数	关系数据库	图引擎服务	返回的记录数
2	0.162	0.025289	213597
3	63.589	0.779019	1031115
4	1368.662	1.452095	1227152
5	未完成	1.474496	1230000

• 图计算可能成为AI下一跳的关键基础技术

图计算在高维稀疏场景性能有望提升百倍

NIPS/SIGMOD/NDSI等数据库、图计算和AI领域顶会观点总结：

• 数学上，在AI计算中，图计算和深度学习是硬币两面，具有等价性、可互换

4. 图计算 ∙ 稳步上升到顶峰阶段

5. 图计算发展-技术日趋完善，生态日趋稳定

图计算功能如今技术已日趋完善，很多公司都发布了自己的图计算产品，生态也已趋稳定

2、 图引擎服务介绍

1. 图引擎服务：超大规模一体化图分析与查询

华为云图引擎服务是一种超大规模一体化图分析与查询平台，内部具有丰富的图分析算法库，高性能的图计算内核，分布式高性能存储引擎，支持属性图的扩展，同时开源接口兼容，并且结果呈现格式上多样化，具有大规模，高性能，查询分析一体化，简单易用等优点

2. 图引擎服务整体解决方案

用户可以将自己的历史数据批量式的导入图引擎服务，同时还提供了增量式的数据导入方式，方便用户进行实时的数据更新，也可以通过图引擎提供的SDK轻松访问图引擎服务，使用方便，操作简单。

3. 图引擎服务使用页面

• 图查询区：支持标准图查询语言Gremlin，兼容您的使用习惯

• 图分析区：提供丰富的图分析算法，简单易用

• 可视化区：支持，所见即所得可视化展示

• 结果记录区：操作记录可见，支持JSON格式结果导出， 轻松获取

4. 使用场景

华为云图引擎服务使用场景也非常丰富

互联网

好友/商品/资

讯推荐

异常行为分析舆情分析

知识图谱

智能问答知识消歧

学习路径推荐

金融风控

实时欺诈检测失联人员追踪信度分析

智慧城市

路径规划

管道压力调节城市路网调控

3、 查询功能

什么是Gremlin？

Gremlin是Apache TinkerPop 框架下的图遍历语言Gremlin是一种函数式数据流语言，可以使得用户使用简洁的方式表述复杂的属性图

（property graph）的遍历或查询每个Gremlin遍历由一系列步骤

（step，可能存在嵌套）组成，每一步都在数据流（data stream） 上执行一个原子操作

除了华为图引擎服务，TA们也用的是Gremlin，已经成为业界的事实标准

    

1. Gremlin基本操作（一）

常用的语句如下所示，通过各个语句的轻松组合可以实现复杂查询功能

• map(x)

select(“a”,”b”) id() mean() count()value(“age”) order()sum() groupCount()

• flatMap(x)

out(“knows”) values(“name”) properties() v()in(“created”) match(x,y,z) outE(“knows”)

• filter(x)

has(“name”,“gremlin”) and(x,y)coin(0.5)dedup(10)where(“a”,eq(“b”)or(x,y)sample(10)

• sideEffect(x)

groupCount(“m”)tree(“m”)subgraph(“m”)store(“m”)group(“m”)

2. Gremlin基本操作（二）

例如： “gremlin” 认识的人的年龄分布

我们可以将其分解为以下五个步骤

(1) 所有人

(2) 然后找到名字为“gremlin”的人

(3) gremlin” 认识的人

(4) 基于上一步，查询这些人的年龄

(5) 获得年龄分布

通过以上五个步骤，我们可以实现gremlin” 认识的人的年龄分布

3. 查询功能总结

支持业界标准图查询语言：Gremlin

Gremlin 遍历由一系列步骤（可能存在嵌套）组成，每一步都在数据流上执行一个原子操作

基本操作：map(x), filterMap(x)、filter(x)、sideEffect(x)等：

举例：”gremlin“认识的人的年龄分布

g.V().has("name","gremlin").cout("knows").values("age").groupCount()

以上是对华为云图引擎做的简要介绍

4、 分析功能

1. 应用场景和算法联系

2.算法实践： 社交网络 — 个体价值发掘

背景：

以新浪微博为例，如何给每个用户评分？

（传统评分=关注数+粉丝数+微博数）

基于PageRank的用户评价

利用各种中心度（centrality），TrustRank之类的算法寻找社交网络中的领袖人物（高价值用户）

3. 算法实践： 社交网络 — 好友推荐

背景：

你在 Facebook 上更新一下联系人，会得到后台很多联系人推送，你会发现Facebook 的推送节制而高效， 既没过分打扰，又能打开你的人脉

基于三元闭包理论的好友推荐

基于三元闭包理论，结合图上的三角计数，聚类系数，最短路径，k度好友，关联预测等算法，进行社交网络紧密度分析，实现好友推荐

4. 算法实践： 社交网络 — 社团推荐

背景：

已知老王的朋友圈里的人相关信息，能否估计老王经济状况、信用风险？

    

“物以类聚，人以群分”

利用社团算法（K-core, Louvain，Label Propagation等）进行社团/群组分析

5. 算法实践： 社交/多媒体/电商 — 实时推荐

背景：

某电影平台上，拥有庞大的用户群、电影库，如何在用户进行一系列行为时进行实时精准的推荐？

如何解决数据稀疏性问题，如何考虑复杂的关系的影响……?

采用Pixie、GRank等多种算法进行大数据量、复杂场景下的实时推荐

6. 算法实践： 分析功能总结

应用场景：社交网络、精准营销、信贷保险等

功能划分：找关联（链路分析、度/邻居）、找路径、找群体( 社团类、传播类)、找特征

图计算算法：PageRank、最短路、K-hop、聚类系数、三角计数、Centrality、最大关联子图、

Degree Correlation、K-core、标签传播、Louvain、PPR、关系预测、传播模型、node2vec等

算法实践举例：

个体价值发掘：

PageRank、Centrality、TrustRank 等

好友推荐：

基于三元闭包理论

三角计数，聚类系数，最短路径，k度好友等

社团发现：

K-core, Louvain，Label Propagation等社团算法

实时推荐：

Pixie、GRank等

本文整理自华为云社区【内容共创】活动第16期
https://bbs.huaweicloud.com/blogs/352652
任务27：华为云图引擎服务