图数据库概述

0.前言

随着万物互联时代的到来，数据的类型和数量呈现爆炸式增长，图数据库对于揭示数据之间的联系有着天然独到的优势，尤其针对错综复杂的社交、物流、金融风控行业，其优势更为明显，发展潜力巨大。

一、图模型

图模型是一种对图数据抽象表达的方式。
1.属性图模型：由顶点、边、属性构成

• 人物顶点“王家卫”，其属性包括“性别”为“男”，“职业”为“导演”等；
• 电影顶点“重庆森林”，其属性包括“上映日期”为“1994 年”，“类型”为“剧情”等；
• 边“执导”，从顶点“王家卫”指向“重庆森林”，边上属性为空。

这是一个简单的图模型，其它相关的数据都可以加入进来，如下：

2.RDF模型
RDF 全称为资源描述框架，基于XML 语法及XML Schema 的数据类型以便更为丰富地描述和表达网络资源的内容与结构，是一种三元组形式，描述实体与实体之间的关系。

上述属性图用RDF图表示如下

3.两种图模型之前的区别

二、图数据发展历史

三、图数据库的特点

• 图数据库是面向关联关系图数据的存储数据库， 在基于图的数据增加、 删除、查询、 修改等方面做了不同于其他数据库的设计。
• 在图数据的操作抽象上， 采用基于顶点的视角， 比如顶点通过其所有出边访问其邻接顶点， 这一类的操作也是图数据库系统设计的核心。
• 性能：在关联关系的处理上， 关系型数据库处理不可避免要用到表的 JOIN 操作，非常影响性能。 而图数据库则是类似指针直接跳转访问， 在典型查询上比关系数据库通常有 2 到 3 个数量级的性能优势。
• 兼容性：传统数据库在新表建立时，由于关联关系的存在，表的改动很大。对于图数据库，仅需添加新的顶点、 边、 属性， 设置为对应的类型即可。
• 直观性：图模型在表现数据之间关系的时候，更直观。
• 数据库横向对比：
  

四、图数据库的应用场景

图数据库的应用原理是查询和分析连接数据， 对海量数据建立关联， 并通过多样及快速的方法对数据进行分析与挖掘。 此外， 与其他类型数据库相比， 图数据库的操作更为便捷、 数据更加直观、 存储模式灵活、 应用场景丰富， 是未来处理复杂数据关系的技术趋势。

• 反欺诈
  难点：当今的欺诈者的手段也越来越复杂和隐蔽， 他们会很耐心地， 长时间地通过伪造众多身份， 制造虚假交易来维护一个的欺诈网络， 伺机作案。反欺诈的挑战主要体现在数据量大， 数据分散， 无法做到实时分析。
  解决方案： 利用图数据库技术可以将分散的数据建立联系， 高效地处理分析海量数据， 并及时反馈分析结果。
  

• 推荐引擎
  难点：推荐引擎是电子商务平台在激烈竞争环境中的制胜法宝， 精准及时的推荐，需要将商品、 客户、 库存、 供应商、 物流和网络舆情等数据有效地关联在一起。
  传统的推荐引擎是静态地针对孤立的历史数据进行离线分析， 数据往往滞后一天，无法做到精细地建模。
  解决方案：
  —使用图数据库整合多元数据，来自商品、客户、库存、供应链等
  —深链接分析，可以完成深层次关联的遍历和查询
  —实时响应
  

• 知识图谱
  知识图谱最早由Google提出，其本质是一个图结构的语义网络，顶点是实体或者概念，边是概念之间的语义关系。
  知识图谱获取信息并将其集中到一个本体中，本体可以是人、概念、组织等。可以提高搜索引擎基于语义的数据的查询结果。
  
  和传统的基于关键词的搜索相比， 基于图的搜索（Graph-based Search） 的优势：
  (1) 搜索结果更精准和更丰富；
  (2) 搜索的速度更快， 更实时；
  (3) 搜索体验像在进行语言交流， 更加智能。