1. 什么是图？
图数据库是专门存储庞大的图形网络并从中检索信息的数据库。它可以将图中的数据高效存储为点（Vertex）和边（Edge），还可以将属性（Property）附加到点和边上。
在具体应用上:点可以抽象为实体，边抽象为关系。例如：小明有一只钢笔——小明为其中一个点，钢笔为另一个点，关系则为“有”。当然小明也可以有很多只钢笔，那么只需要有很多个钢笔的点和关系就可以了。
2. 适用场景
2.1 是否涉及实体之间的关系
- 推荐
- 欺诈检测
- 重复检测
- ...
2.2 是否涉及大量对统一类型实体的引用
- 组织层次结构
- 访问权限管理
- 社会影响力
- 朋友的朋友（N度好友）
- ...
2.3 是否探索了不同或未知深度的关系
- 供应链可见性
- 材料清单
- 网络管理
- ...
2.4 是否涉及到许多不同的路线或路径
- 交通大数据（物流）
- 依赖追踪
- 基础设施管理
- ...
3. 案例
3.1 社交关系分析（朋友的朋友，好友推荐，影响力）
- 人物关系如下图(语句为nGQL)：
网络关系图
//点
INSERT VERTEX user (name) VALUES "A":("A"), "B":("B"), "C":("C"), "D":("D"), "E":("E"), "F":("F"), "G":("G");
//边
INSERT EDGE friend () VALUES "A"->"B":(), "A"->"D":(), "C"->"B":(), "E"->"B":(), "E"->"D":(), "E"->"C":(), "F"->"E":(), "E"->"G":();
<1> n度好友
//用户E的2度好友
match (v1:user)-[e1:friend*2]-(v2:user) where id(v1)=="E" return DISTINCT(v2)
MINUS
match (v1:user)-[e1:friend*1]-(v2:user) where id(v1)=="E" return DISTINCT(v2);
<2> 两个陌生人之间的认识路径
//用户A和用户C的认识路径
FIND SHORTEST PATH FROM "A" TO "C" OVER friend BIDIRECT;
<3> 用户影响力（出度，入度）
//所有用户影响力查询
match (v:user)-[:friend]-(:user) return DISTINCT(v) as u, count(*) as c order by c desc;
<4> 共同好友的朋友推荐
//用户A的共同好友推荐
match (v1:user)-[:friend]->(v2:user)<-[:friend]-(v3:user) where id(v1)=="A" return DISTINCT(v3), count(*);
- 如果我们在单纯用户的网络关系图中加入每个人读过的书籍，我们还可以做关于书籍相关的操作了，形成下图：
加入了书籍的网络关系图
//book点
INSERT VERTEX book (name) VALUES "book1":("book1"), "book2":("book2"), "book3":("book3"), "book4":("book4"), "book5":("book5");
//read边
INSERT EDGE read () VALUES "A"->"book1":(), "A"->"book2":(), "E"->"book1":(), "E"->"book2":(), "E"->"book3":(), "C"->"book4":(), "A"->"book5":();
<5> 共同爱好的朋友推荐
//和用户A读过相同书籍的用户
match (v1:user)-[:read]->(v2:book)<-[:read]-(v3:user) where id(v1)=="A" return DISTINCT(v3), count(v2);
<6> 共同爱好的书籍推荐
//用户A的书籍推荐
match (v1:user)-[:read]->(v2:book)<-[:read]-(v3:user)-[:read]->(v4:book) where id(v1)=="A" return DISTINCT(v4) as book
MINUS
match (v1:user)-[:read]->(v2:book)<-[:read]-(v3:user) where id(v1)=="A" return DISTINCT(v2) as book;
<7> 基于关键人物的书籍推荐
//找出关键人物
match (v:user)-[:friend]-(:user) return DISTINCT(v) as u, count(*) as c order by c desc limit 1;
//查询给用户A的推荐书籍
match (v1:user)-[:read]->(v2:book) where id(v1)=="E" return DISTINCT(v2) as book
MINUS
match (v1:user)-[:read]->(v2:book) where id(v1)=="A" return DISTINCT(v2) as book;
match不支持管道符，需使用两条语句
https://discuss.nebula-graph.com.cn/t/topic/5295/3
https://discuss.nebula-graph.com.cn/t/topic/4840
3.2 企业关系构建（组织层次结构）
企业图谱：
企业图谱
股权穿透图：
股权穿透图
企业关系图谱：
企业关系图谱
3.3 欺诈检测
图数据库应用：金融反欺诈实践
【案例】基于图数据库的保险欺诈检测
提升反欺诈效果 看关联图谱在风控领域应用
基于图数据库Neo4j的信用卡反欺诈系统的设计与实现
基于Neo4j数据库的个人信用评估系统的设计与实现
在传统概念里：用户手机号即可能为用户的一个属性，因此在往图中写入时，也会写入到节点的属性中。在欺诈检测方面，往往会把这种数据当作图中的一个点，这是因为在欺诈特征检测中，判断是否为欺诈往往会用到此类数据。由此可见，往往在数据建模阶段，需要根据业务来判断，哪些数据需要创建节点，哪些需要创建成节点属性。
例如：在信用卡申请、个人信贷、小微贷、消费贷等业务场景，欺诈者通过共用电话号码、联系人手机号等，组合创建多个合成身份，由于拥有共用的信息，欺诈者通过这些信息构成欺诈环。如下图所示
欺诈检测图
查询使用相同手机号的用户语句
//当手机号当作节点时
match (用户)-[]->(手机号) where 手机号="XXXXX" return 用户
//当手机号当作节点属性时
match (用户) where 用户.手机号="XXXXX" return 用户
手机号当作节点时明显要比当作属性查询快，前者只需扫描部分节点，后者可能需要扫描全图的节点。并且由于关联关系，又可以根据手机号进行延伸查询
当我不知道手机号只知道用户时：
match (用户A)-->(手机号)<--(其他用户) where 用户A="XXX" return 其他用户
当通过特征分析出欺诈人员时，又可以根据社区发现算法，找出诈骗团伙
发现诈骗团伙
4. 总结
数据建模阶段要根据具体的业务来选择哪些数据需要创建成节点，哪些数据创建成节点属性。以用户手机号举例，如果存在“查找重复手机号的用户”需求时，那么可以将手机号变成节点。但此行为也会将图变得越来约复杂，点上的边也会也来越多，从而导致性能问题。
关系的定义上也可以更抽象些，例如：小明有一只钢笔的"有"。
网友评论