图分析，图计算或者图推理的方法

[mengquanrun]

Expected behavior 期望表现

{type something here...} @javeme 想请教百度在图分析和图推理方向上会采用什么方法呢？在项目介绍中说应用场景在反欺诈，打击黑产等方向，请问贵团队在实际应用场景中会如何利用hugegraph这个工具呢？ 常用的主要就是您们提供的那些最短路径等api么？

Actual behavior 实际表现

{type something here...}

Steps to reproduce the problem 复现步骤

1. {step 1}
2. {step 2}
3. {step 3}

Status of loaded data 数据状态

Vertex/Edge summary 数据量

• loaded vertices amount: {like 10 million}
• loaded edges amount: {like 20 million}
• loaded time: {like 200s}

Vertex/Edge example 数据示例

{type something here...}

Schema(VertexLabel, EdgeLabel, IndexLabel) 元数据结构

{type something here...}

Specifications of environment 环境信息

• hugegraph version: {like v0.7.4}
• operating system: {like centos 7.4, 32 CPUs, 64G RAM}
• hugegraph backend: {like cassandra 3.10, cluster with 20 nodes, 3 x 1TB HDD disk each node}

[fisherinbox]

同问

[javeme]

@mengquanrun @fisherinbox 反欺诈这个业务场景大体涉及如下典型方法：

1. 关系特征检测
   • 高聚合度关系检测（比如大量用户使用同一个设备）
   • 自相矛盾关系检测
   • 关系环路检测（比如循环担保） 比如环路检测可使用Rings API
2. 关联度检测 关联度检测的典型技术包括：
   • 检测多层关系网络中是否包含高风险节点
   • 通过PersonalRank、PageRank等算法计算关系网络中节点的风险评分 比如3度关联是否触黑，可使用K-neighbor API
3. 欺诈团伙检测 通过社区发现等算法来检测团伙，然后根据团伙中各成员的风险评分综合计算整个团伙的风险程度，从而识别出高风险的欺诈团伙。我们主要使用2个社区发现算法：简单高效的标签传播算法LPA，以及基于模块度优化迭代算法Louvain，Louvain的优点是可以发现多层次性的社区。

[mengquanrun]

感谢，我学习下～ @javeme

[JackyYangPassion]

目前这里有应用在线上吗，如果有，目前线上对于K-neighbor P99性能以及固定集群规模下 每秒的吞吐是多少