图数据库-浅谈图数据库

时间：2024-05-02 07:05:42 来源：网络cs 作者：欧阳逸栏目：物流仓储阅读：

标签：数据浅谈

什么是图？

在这里插入图片描述

图的概念

在这里插入图片描述

什么是图数据库？

图数据库是一种数据存储引擎，它将顶点和边的基本图结构与持久化技术和遍历（查询）语言结合起来，以创建一个用于存储和快速检索高度关联的数据而优化的数据库。实体之间的关系与数据中的实体同等或更重要。因为在图数据库中实体和关系被同等重视，所以我们可以更准确，更轻松地表示和推理真实世界的关系，尤其是与其他数据库技术相比时。正如我们将在本书中展示的那样，图形数据库是更好的工具，既可以表示事物之间丰富多样的关系，又可以根据这些关系识别模式。

对比RDBMS和NoSQL

为什么需要图数据库？图数据库的优势是什么？

与RDBMS对比

在这里插入图片描述

关系查询性能对比

在这里插入图片描述

与NoSQL对比

在这里插入图片描述

图数据库的应用场景

图数据库技术已经应用于现实生活中的方方面面，诸如 Google、Facebook 等科技巨头已经开始使用图数据库的力量来蓬勃发展业务。据 Gartner 在《十大数据分析技术趋势》预测，2012 年至 2022 年，全球图处理及图数据库的应用都将以每年 100% 的速度迅猛增长。

知识图谱

知识图谱作为图数据库的底层应用，已服务于多种行业，包括：智能问答、搜索、个性化推荐等。以智能问答为例，产品主要分为聊天机器人、行业智能问答系统两种。开放领域的知识图谱能为聊天机器人提供广泛知识，机器不仅能和使用者聊天还能提供日常知识。行业智能问答系统则使用行业知识图谱，能够为用户有针对性的提供专业领域知识，在法律、医疗行业已得到运用。
在知识图谱的应用落地上，主要有两点因素影响着知识图谱的质量和实现 -NLP 自然语言处理引擎、算法库。NLP 自然语言处理引擎决定了 NLP 爬虫平台获取数据的质量和数量，而这些原始数据作为知识图谱的知识原料又决定了知识图谱的水平。算法库中的图算法决定了图构建、图存储和图操作的能力，知识原料丰富而图算法落后，依然不能构建出强大的知识图谱。

金融反欺诈

图数据库通过利用多维交叉关联信息深度刻画申请和交易行为，可以有效识别规模化、隐蔽性的欺诈网络和洗钱网络；结合机器学习、聚类分析、风险传播等相关算法，可以实时计算用户的风险评分，在风险行为发生前预先识别，有效帮助金融机构提升效率、降低风险。应用图数据库的金融风控场景很多，例如个人信贷、洗钱路径追踪、个人 / 企业征信等
基于图数据库在金融风控的优异表现，很多企业表示对这项技术的看好，在这之中也有一些前瞻性的企业已率先使用此技术并取得竞争性优势。图技术发展多年，这项技术仍然有很多企业没有使用，是什么原因阻碍了技术的推进？
首先是数据存储的问题，在反洗钱的场景中，需对用户的借记卡和信用卡数据存储分析。在存储时发现，仅 10 个月借记卡数据 +1 个月信用卡数据规模就有 5 个 T，这样的数据量是过去图数据库无法支持的。
第二点是多步分析问题。在反洗钱应用场景中需要做到 3-10 步以上的分析，而目前的图数据库在企业级场景下，2 度到 3 度查询时就会出现超时或者内存溢出的问题。这样的性能对于欺诈甄别的帮助很小。
针对这些问题，图数据库厂商正在积极构建成熟的解决方案来满足这两点要求，市面上有越来越多高性能图数据库出现。目前，部分企业采取的替代方案是通过图数据库 + 大数据平台的方式实现大数据量的效果，但是这样的解决方案由于技术门槛较高无法轻易掌握。

工业领域

图模型具有强大的表现力对于快速更新的事物有很强的适应性，在工业领域用来管理快速变化的库存、供应链关系。目前已有沃尔沃等汽车制造商，依靠图数据库优化生产流程和供应链管理。
在制造业，供应链的管理涉及到多人协作和实时库存信息的反馈，包括汇总后的信息和明细数据的查询，查询过程涉及实体很多且关系复杂。此时图数据库在面对这类深度关联的场景时，优势就显现出来了，因为只需要通过边的查询就能找到相关联的数据，而无需对某一顶点做全局扫描，图数据库能够做到对于流入数据的实时更新和数据深度遍历。