图数据库的概念和几个关键内容

“图数据库” 起源于“图论” 中的拓扑概念。“图论” 研究图的性质和结构，“图数据库” 利用这些理论存储和管理数据。

图，是由“点”和“边”构成的。拓扑学将实体抽象为节点，关系表示为边。

在图数据库中，“点” 就是计算节点，“边” 就是点之前的关系。这种抽象的概念，让我们可以聚焦的去研究点与线之间的关系，实现数据关联查询与分析。

图思维，跟我们的大脑思考方式是非常类似的，包括现在的深度机器学习也是图的。

图结构，能够以“更高维”的方式表达知识，比传统的RDB关系型数据库更厉害。

传统的关系型数据库，是二维的。主要是存，把计算外包给中间件。分析的时候，需要跨表关联。这就是实时分析很困难、需要等待的原因。图数据库是既存又算的。

图结构可以高效地进行各种图遍历和计算操作，例如查找最短路径。另外，许多图数据库具有良好的并行计算能力，图数据库可以将计算任务分配到多个计算节点上并行执行，从而大大缩短计算时间。

从低维表（二维表），向高维表（网络拓扑）发展，可以说是一个“质” 的跃迁。

相似度算法，是图计算领域最常见的算法。可以用于衡量图中节点之间的相似程度，以便发现具有相似特征或功能的节点，在推荐系统、生物信息学等领域有广泛应用。

最短路径算法：例如在交通网络中，用于寻找两点之间的最短行驶路径；在通信网络中，确定信息传输的最短路径等。

PageRank 算法：主要用于衡量网页的重要性。在互联网搜索引擎中，通过分析网页之间的链接关系，计算每个网页的 PageRank 值，以此来确定网页的排名。

社区发现算法：用于发现图中联系紧密的节点群体，即社区结构。这些社区内部的节点之间连接较为紧密，而与社区外部的节点连接相对较少。

为什么图计算对机器学习有帮助呢？因为图计算的主流趋势是白盒化可解释，这可以很好解决当前深度学习中黑盒问题。

白盒化可解释的图计算能够清晰地展示数据之间的关联、计算过程和结果的推导，使业务人员能够更好地理解和信任计算结果，从而更放心地基于这些结果进行决策。

此外，白盒化可解释的图计算能够实现数据的溯源和审计，便于追踪数据的来源、处理过程和使用情况。

目前的观点是：图数据库几乎没有限制。只要有足够的算力，就可以对大规模数据集进行有效的计算。

在金融欺诈检测中，图数据库可以实时分析交易数据和账户关系，及时发现可疑的交易行为，而不需要将数据导出到外部系统进行计算，从而大大提高了欺诈检测的时效性。

在医疗领域，图数据库可以帮助医疗决策系统分析患者的病历、症状、检查结果等信息，为医生提供诊断和治疗建议。

在军事领域，美国军方供应商 Palantir 利用图技术，基于转账数据、图像数据、录音数据、GIS数据等，帮助美国军方计算出本拉登的定位，并进行了定点进攻。