Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

java-tools/docs: updated compile procedure for nebula-algorithm #132

Merged
merged 1 commit into from
Dec 10, 2020
Merged
Show file tree
Hide file tree
Changes from all commits
Commits
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
8 changes: 8 additions & 0 deletions docs/nebula-algorithm/na-ug-compile.md
Original file line number Diff line number Diff line change
@@ -1,5 +1,11 @@
# 编译 nebula-algorithm

## 前提条件

编译 nebula-algorithm 之前,必须先编译 [Nebula Spark Connector](../spark-connector/sc-ug-compile.md)。

## 操作步骤

依次运行以下命令下载并编译打包 nebula-algorithm。

```shell
Expand Down Expand Up @@ -31,4 +37,6 @@ nebula-java
在 `target` 目录下,您可以看到 `nebula-algorithm-1.x.y.jar` 文件。
> **说明**:JAR 文件版本号会因 Nebula Java Client 的发布版本而异。您可以在 [nebula-java 仓库的 Releases 页面](https://github.com/vesoft-inc/nebula-java/releases "点击前往 GitHub 网站") 查看最新的 v1.x 版本。

## 后续操作

在使用 nebula-algorithm 时,您可以参考 `target/classes/application.conf` 根据实际情况修改配置文件。详细信息请参考 [使用示例](na-ug-example.md)。
2 changes: 1 addition & 1 deletion docs/nebula-algorithm/na-ug-example.md
Original file line number Diff line number Diff line change
Expand Up @@ -2,7 +2,7 @@

一般,您可以按以下步骤使用 nebula-algorithm:

1. 参考配置文件,修改 nebula-algorithm 的配置。
1. 参考配置文件修改 nebula-algorithm 的配置。
2. 运行 nebula-algorithm。

本文以一个示例说明如何使用 nebula-algorithm。
Expand Down
4 changes: 2 additions & 2 deletions docs/nebula-algorithm/na-ug-what-is-nebula-algorithm.md
Original file line number Diff line number Diff line change
Expand Up @@ -21,8 +21,8 @@ nebula-algorithm 根据以下方式实现图算法:
GraphX 的 PageRank 算法基于 Pregel 计算模型,该算法流程包括 3 个步骤:

1. 为图中每个顶点(如网页)设置一个相同的初始 PageRank 值。
2. 第一次迭代:沿边发送消息,每个顶点收到所有关联边上对点(两端顶点)的信息,得到一个新的 PageRank 值;
3. 第二次迭代:用这组新的 PageRank 按不同算法模式对应的公式形成顶点自己新的 PageRank。
2. 第一次迭代:沿边发送消息,每个顶点收到所有关联边上邻接点(Adjacent Node)的信息,得到一个新的 PageRank 值;
3. 第二次迭代:用这组新的 PageRank 按不同算法模式对应的公式形成该顶点新的 PageRank。

关于 PageRank 的详细信息,参考 [Wikipedia PageRank 页面](https://zh.wikipedia.org/wiki/PageRank "点击前往 Wikipedia 页面")。

Expand Down