譯者 | 布加迪

審校 | 孫淑娟

如果你被告知圖數(shù)據(jù)庫(kù)的目的是使你能夠?qū)⒔M織的數(shù)據(jù)視為一個(gè)圖，那么你還沒(méi)有被告知足夠多的信息。

圖數(shù)據(jù)庫(kù)為你解決的真正問(wèn)題是：系統(tǒng)中的故障在哪里？哪些交易模式可能表明惡意企圖？哪些治療組合對(duì)于最難治的疾病最有效？

將關(guān)系融入到數(shù)據(jù)中后，數(shù)據(jù)會(huì)在你最需要的時(shí)候顯示這種關(guān)系。

它不僅僅涉及可視化的圓圈和箭頭。可視化插件不是原生圖數(shù)據(jù)庫(kù)。原生圖工具解釋了關(guān)系，以及由關(guān)系衍生而來(lái)的所有概念（比如相關(guān)性、完整性、概率、可靠性、偏誤和脆弱性）。這樣一來(lái)，來(lái)自這些關(guān)系的信息可以被數(shù)據(jù)庫(kù)定位、分析，然后向你解釋。

一、認(rèn)知問(wèn)題

圖數(shù)據(jù)庫(kù)生產(chǎn)商N(yùn)eo4j的用戶(hù)創(chuàng)新高級(jí)主管Michael Hunger表示，人類(lèi)通常會(huì)觀察世界，然后處理他們所看到的相互關(guān)聯(lián)的元素。

但是當(dāng)這些人需要用關(guān)系數(shù)據(jù)庫(kù)來(lái)表示這些相同的元素時(shí)，問(wèn)題在于，一旦他們實(shí)際使用技術(shù)即數(shù)據(jù)庫(kù)，就需要忘記所有的相互關(guān)系。

關(guān)系可以融入到關(guān)系數(shù)據(jù)庫(kù)中，但需要付出相當(dāng)大的精力，加上大量的內(nèi)存和存儲(chǔ)——當(dāng)這些資源由云平臺(tái)提供時(shí)，需要高昂的費(fèi)用。

因此為了節(jié)省時(shí)間和金錢(qián)，組織往往淡化理解相互關(guān)系方面的需求。后來(lái)當(dāng)它們需要深入分析時(shí)，依賴(lài)只能從數(shù)據(jù)庫(kù)模式的表層推斷信息的附件和擴(kuò)展件。

技術(shù)研究公司Omdia的人工智能平臺(tái)、分析和數(shù)據(jù)首席分析師Bradley Shimmin表示，不僅僅是金融公司需要了解欺詐檢測(cè)，其他公司也需要能夠了解員工下個(gè)月會(huì)不會(huì)辭職。

圖分析能夠跨多個(gè)維度來(lái)查看，為數(shù)據(jù)添加的上下文和含義，而表格數(shù)據(jù)對(duì)上下文和含義一無(wú)所知。

二、什么是原生圖數(shù)據(jù)庫(kù)？

在傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)模型中，數(shù)據(jù)分布在多個(gè)表中，通過(guò)鍵連接。運(yùn)行SQL查詢(xún)通常意味著連接多個(gè)表和多個(gè)索引查詢(xún)。

圖1.美國(guó)小企業(yè)創(chuàng)新研究（SBIR）計(jì)劃的

創(chuàng)業(yè)生態(tài)系統(tǒng)模型

在這里被描述為Neo4j圖數(shù)據(jù)庫(kù)模型

相比之下，在Neo4j屬性圖模型中，重點(diǎn)是數(shù)據(jù)元素之間的關(guān)系。這些元素作為“節(jié)點(diǎn)”來(lái)存儲(chǔ)，其屬性可以由任意數(shù)量的鍵/值對(duì)表示。

節(jié)點(diǎn)可以通過(guò)任意數(shù)量的關(guān)系來(lái)連接。節(jié)點(diǎn)和關(guān)系都可能有“屬性”。在圖模型中，關(guān)系數(shù)據(jù)庫(kù)表中的列或行表示為節(jié)點(diǎn)的屬性。

使用原生圖數(shù)據(jù)庫(kù)，整個(gè)堆棧都圍繞這個(gè)數(shù)據(jù)模型進(jìn)行了優(yōu)化，從查詢(xún)語(yǔ)言到文件存儲(chǔ)，不一而足。原生圖數(shù)據(jù)庫(kù)在分析這種關(guān)系時(shí)會(huì)更高效，因?yàn)樗鼈円婚_(kāi)始就被融入到模型中。

區(qū)分原生圖數(shù)據(jù)庫(kù)和運(yùn)行在關(guān)系數(shù)據(jù)庫(kù)上的圖層非常重要。后者以圖的形式提供結(jié)果，但仍必須執(zhí)行連接及其他操作，才能將來(lái)自整個(gè)數(shù)據(jù)庫(kù)的數(shù)據(jù)匯集在一起。這會(huì)導(dǎo)致延遲和過(guò)多消耗計(jì)算資源，規(guī)模擴(kuò)展后這一切會(huì)暴露得更明顯。

開(kāi)發(fā)圖數(shù)據(jù)庫(kù)在創(chuàng)建過(guò)程中需要額外的工作，因?yàn)槟氵€得插入這些關(guān)系。所涉及的工作量以后會(huì)得到回報(bào)，你可以更輕松地推斷出數(shù)據(jù)之間的聯(lián)系。

回報(bào)來(lái)自這三個(gè)被低估的優(yōu)點(diǎn)：

1.可遍歷性：建立聯(lián)系

圖數(shù)據(jù)庫(kù)使你能夠“遵循”關(guān)系。如果你讀取數(shù)據(jù)，又想要追蹤或遍歷這些關(guān)系，你會(huì)受益匪淺。

Neo4j的開(kāi)發(fā)者關(guān)系工程師William Lyon指出了一項(xiàng)名為“無(wú)索引鄰近”的功能，該功能是圖數(shù)據(jù)庫(kù)所特有的。這基本上意味著你可以從一個(gè)節(jié)點(diǎn)遍歷到任何其他節(jié)點(diǎn)，無(wú)需進(jìn)行索引查找。

圖2.圖模型的一部分，其中三個(gè)Twitter用戶(hù)相互關(guān)注

但關(guān)注程度不成比例

可遍歷性揭露了它們之間關(guān)系的范圍和限制

這種可遍歷性不僅使跟蹤數(shù)據(jù)之間的關(guān)系變得更容易，還減少了執(zhí)行查詢(xún)所需的計(jì)算，從而減少了管理計(jì)算過(guò)程所需的人力。

至于關(guān)系數(shù)據(jù)庫(kù)，你必須計(jì)算組合在一起的內(nèi)容，然后要有某種方法將它們合并在一起。這意味著更多的連接或跳點(diǎn)。數(shù)據(jù)庫(kù)中的數(shù)據(jù)量越大，所需的連接和跳點(diǎn)勢(shì)必越多。

相比之下，換成圖數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)中是否有80億人并不重要。如果專(zhuān)注于Joe，只對(duì)Joe的關(guān)系感興趣，可以完全忽略其他人。

這還使得圖數(shù)據(jù)庫(kù)對(duì)于分析層次數(shù)據(jù)特別有用，比如分析一家擁有200000名員工和數(shù)十個(gè)管理層的公司。

圖3.由于可遍歷性，Neo4j的Cypher查詢(xún)語(yǔ)言

用四行代碼揭示了三層深度的關(guān)系

而不是用復(fù)雜的腳本

在關(guān)系數(shù)據(jù)庫(kù)中對(duì)這種龐大而復(fù)雜的層次結(jié)構(gòu)進(jìn)行操作意味著數(shù)十萬(wàn)個(gè)自連接：將人員或員工表與經(jīng)理、與他們的經(jīng)理或與每個(gè)人員指定的經(jīng)理相連接。

換成圖數(shù)據(jù)庫(kù)，這只是跟蹤層次結(jié)構(gòu)上下關(guān)系的問(wèn)題。

圖數(shù)據(jù)庫(kù)格式對(duì)數(shù)據(jù)科學(xué)家也特別有吸引力——他們不喜歡與關(guān)系數(shù)據(jù)庫(kù)打交道，因?yàn)樗幸褕?zhí)行的嚴(yán)格的模式。在開(kāi)始工作之前，你必須事先定義并實(shí)施數(shù)據(jù)的模式。

相比之下，圖方法更快、更直觀，使你更容易迭代完善數(shù)據(jù)模型。

2.可解釋性：便攜式白板

如果人類(lèi)從關(guān)系和聯(lián)系來(lái)看待世界，那么數(shù)據(jù)庫(kù)應(yīng)該能夠推斷出關(guān)系和聯(lián)系的含義。

這個(gè)原則好比你試圖找到的結(jié)果的輸出具有“對(duì)白板友好性”。當(dāng)研究型醫(yī)師與同事交流結(jié)果時(shí)，通常以Excel表格或某種表格的格式表示。大體而言，這些格式等同于完整的數(shù)據(jù)庫(kù)。

同時(shí)，圖向人類(lèi)展示了一個(gè)即時(shí)的信息結(jié)果。你可以把白板上的這個(gè)豐富模型放到數(shù)據(jù)庫(kù)中，因?yàn)殛P(guān)系和實(shí)體是一等公民，但你也并不失去所有業(yè)務(wù)人員。

推薦系統(tǒng)是圖數(shù)據(jù)庫(kù)的核心用例。如果你能說(shuō)“我們向你推薦這本書(shū)，因?yàn)樗c你評(píng)價(jià)很高的其他書(shū)有相似的元素”，這是極具價(jià)值的推薦。

網(wǎng)絡(luò)特性使你能夠推斷出某些節(jié)點(diǎn)可能對(duì)其他節(jié)點(diǎn)產(chǎn)生的影響程度：“聚類(lèi)是什么？誰(shuí)最有影響力？誰(shuí)連接聚類(lèi)？誰(shuí)必不可少？”

這種分析級(jí)別也許只能由關(guān)系數(shù)據(jù)庫(kù)通過(guò)非常復(fù)雜的聚合過(guò)程和所謂的“知識(shí)發(fā)現(xiàn)迭代”來(lái)完成，這一切使得之前描述的SQL交叉連接馬拉松看起來(lái)更像是百米沖刺。

印第安納大學(xué)的研究人員試圖找出帕金森病各種病因當(dāng)中的遺傳關(guān)系方面的模式，出于一些重要的原因選擇了Neo4j作為其原生圖數(shù)據(jù)庫(kù)，其中一個(gè)原因是，圖查詢(xún)返回的模式本身可以表示為圖。

從他們的角度來(lái)看，不僅數(shù)據(jù)庫(kù)本身被表示為知識(shí)圖，連輸出也是如此。

3.公平性：將原始數(shù)據(jù)放入上下文

高質(zhì)量的結(jié)果需要高質(zhì)量的數(shù)據(jù)。圖數(shù)據(jù)庫(kù)在公平和消除偏誤方面顯示出更多被低估的優(yōu)點(diǎn)，尤其是在用于機(jī)器學(xué)習(xí)和人工智能的龐大數(shù)據(jù)集。

偏誤可能來(lái)自?xún)蓚€(gè)方面：偏差的數(shù)據(jù)被饋入到算法，以及研究人員在他們提出的問(wèn)題方面有偏見(jiàn)。使用圖模型，就可以在設(shè)計(jì)階段突出并消除潛在的偏誤。

數(shù)據(jù)科學(xué)家自然會(huì)希望確保他們的訓(xùn)練數(shù)據(jù)在被饋入到機(jī)器學(xué)習(xí)算法之前具有代表性、無(wú)偏誤。在數(shù)據(jù)準(zhǔn)備階段使用原生圖數(shù)據(jù)庫(kù)可能有助于將原始信息置于上下文中，避免將偏誤饋入到模型的可能性。

所以看看你的圖的聚類(lèi)，如果只有一個(gè)大聚類(lèi)，那么就有偏誤，就有問(wèn)題。你需要回過(guò)頭去，確保擁有良好的分布式聚類(lèi)。

神經(jīng)網(wǎng)絡(luò)本身就是圖。這意味著當(dāng)你訓(xùn)練模型時(shí)，神經(jīng)網(wǎng)絡(luò)會(huì)發(fā)生變化。如果你呈現(xiàn)一個(gè)圖，并使其易于訪問(wèn)、可變和可視化，那么就可以確定網(wǎng)絡(luò)如何獲取權(quán)重。

換句話說(shuō)，從模型生成的任何特定的輸出都很容易追溯起源。可遍歷性是雙向的。

所有這些優(yōu)點(diǎn)是否意味著關(guān)系模型已窮途末路？不太可能。但是正如Shimmin特別指出，圖數(shù)據(jù)庫(kù)是“一項(xiàng)至關(guān)重要的技術(shù)，我非常希望看到它更深入地全面集成到傳統(tǒng)的分析工作負(fù)載中。”

原文鏈接：https://thenewstack.io/the-3-underrated-strengths-of-a-native-graph-database/