重點摘要
圖形資料庫是 NoSQL 資料庫的一種，專為模擬及查詢關係而設計，會以節點和邊緣的圖形結構，表示實體和彼此間的關聯。以下概略說明這類資料庫的主要功能和優點：
- 首重關係查詢：不像關聯式資料庫必須仰賴資料表和 JOIN 語法，圖形資料庫著重以關係為主的查詢，因此能高效探索關聯資料
- 富有彈性：除了採用彈性結構定義，圖形資料庫還能搭配使用圖形演算法，協助組織分析複雜的資料集，以找出模式、最佳化調整網路，並取得更精闢的洞察資訊
- 用途廣泛：常見用途包括建構社群媒體圖表、根據異常關聯偵測詐欺行為、提高物流成效或規劃最佳路線等
什麼是圖表？
圖形是一種資料模型，可用來模擬實體間的關係，共有兩個主要組成部分：
- 節點：代表人物、產品、地點或事件等實體，也就是資料本身。
- 邊緣：代表節點間的關係，例如社群平台的好友關係、購物者和購買產品的關聯，或是供應鏈連結。邊緣也可能包含時間戳記或權重等屬性，為節點關係增添背景資訊。
圖形資料庫的運作方式
圖形資料庫就像是大型的連連看遊戲，會將資訊儲存為個別圓點 (節點)，再使用線條 (邊緣) 直接顯示並儲存這些圓點間的關係。
圖形資料庫富有彈性，可清楚呈現各種關聯，從階層式結構 (如樹狀圖或組織圖)、分群網路 (如電子商務推薦產品)，乃至於識別社群網路中具影響力的節點。
如果採用特殊演算法，就能從圖形中取得更實用的洞察資訊，例如：
- 最短路徑：規劃最佳的導航和物流路線
- 社群偵測：從網路中找出彼此間連結最緊密的一群節點，以利識別社群媒體區隔，或偵測詐欺行為
- 網頁排名：根據指向節點的連結數量和品質，計算節點的重要程度
藉由搭配圖形資料庫與這類演算法，組織可將複雜的關係，轉化為實際可行的策略。
圖形資料庫與關聯式資料庫
關聯式資料庫會將資料整理成結構化資料表，而圖形資料庫則著重於關係。以下列舉幾項主要差異：
功能 | 關聯資料庫 | 圖形資料庫 |
資料結構 | 資料列和資料欄採用嚴格的結構定義，屬性皆為預先定義。如要新增關係，就必須重新調整結構。 | 將資料視為節點和邊緣，可靈活調整關係，不必預先定義結構定義。 |
查詢效率 | 仰賴 JOIN 作業來連結資料表，但隨著關係數量增加，處理過程可能會變得緩慢且複雜。 | 直接掃遍邊緣，能以更快速、更直覺的方式，處理重視關係的查詢。 |
查詢語言 | 結構化查詢語言 (SQL) 及其衍生語言。 | Graph Query Language (GQL)、Cypher 和 Gremlin。 |
用途 | 在容易預測的結構化環境 (如財務系統或庫存管理機制) 表現出色。 | 適合以關係為核心的應用，例如社群網路、詐欺偵測或最佳路線規劃。 |
功能
關聯資料庫
圖形資料庫
資料結構
資料列和資料欄採用嚴格的結構定義，屬性皆為預先定義。如要新增關係，就必須重新調整結構。
將資料視為節點和邊緣，可靈活調整關係，不必預先定義結構定義。
查詢效率
仰賴 JOIN 作業來連結資料表，但隨著關係數量增加，處理過程可能會變得緩慢且複雜。
直接掃遍邊緣，能以更快速、更直覺的方式，處理重視關係的查詢。
查詢語言
結構化查詢語言 (SQL) 及其衍生語言。
Graph Query Language (GQL)、Cypher 和 Gremlin。
用途
在容易預測的結構化環境 (如財務系統或庫存管理機制) 表現出色。
適合以關係為核心的應用，例如社群網路、詐欺偵測或最佳路線規劃。
圖形資料庫的主要用途
在需要瞭解資料點關係的應用中，圖形資料庫通常能發揮極大效益。以下列舉這類資料庫的幾種主要用途：
圖形資料庫可支援多項功能，例如好友推薦、網紅辨識和社群偵測等。透過分析社交關係圖，以及使用者、貼文和互動間的關聯，平台將能提供個人化體驗，並發掘重要洞察資訊。
詐欺偵測
在金融和電子商務領域，圖形資料庫可協助識別交易、帳戶和裝置的對應關係，以偵測詐欺模式。這類資料庫擅長找出潛藏的連結，例如分享 IP 位址或信用卡詳情的帳戶。如果節點與已知的詐欺節點緊密相連，就會引起懷疑。
路由最佳化
運輸與物流公司可藉助圖形資料庫，找出最佳配送路線。只要分析節點 (地點) 和邊緣 (路線)，就能大幅縮短行程時間、節省成本，同時提高效率。
產品推薦引擎
電子商務零售商可利用圖形資料庫，將使用者與曾經互動 (購買、瀏覽、評論) 的產品相連，再根據這些互動連結其他類似產品或使用者，提升個人化推薦機制的成效。
主要圖形資料庫比較
市場上有多家圖形資料庫供應商，各自的產品功能都不盡相同，可滿足特定圖形用途。
除了專門的圖形資料庫供應商，也有傳統資料庫適用的圖形擴充功能。舉例來說，Spanner Graph 是 Google Cloud 的圖形資料庫產品，以全球規模的 Spanner 關聯式資料庫為建構基礎，兼具同步一致性、水平擴充能力，以及多區域部署模式。
Neo4j
Neo4j 是經過特別設計的圖形資料庫，可在 Google Cloud 使用，並能高效處理複雜的查詢，例如計算最短路徑、偵測社群等。這個資料庫採用圖形最佳化查詢語言，適合用來視覺化呈現關係，方便組織取得實用洞察資訊。
AWS Neptune
AWS Neptune 是 Amazon Web Services 的圖形資料庫服務，支援屬性圖和 RDF 圖等熱門圖形模型。
Enterprise Knowledge Graph
Enterprise Knowledge Graph (EKG) 是 Google Cloud 提供的解決方案，雖然本身並非資料庫，但能運用圖形原理，統整和核對不同來源的零散企業資料，並設定統一格式。透過這項解決方案，組織可為自家知識建立語意豐富的統合式圖形模型，用來提供進階 AI 應用程式、脈絡搜尋功能，以及客戶或產品等實體的全方位總覽。
Spanner Graph
藉由 Spanner Graph，Google Cloud 的 Spanner 資料庫結合關聯式和圖形處理能力，有助組織確保全球一致性、進行水平擴充，並能在單一統合式環境靈活管理圖形和關聯式資料，非常適合各種大規模部署情境。
組織可視需求採用不同類型的圖形資料庫。Neo4j 或 AWS Neptune 等專用解決方案只注重原生圖形作業，而 Spanner Graph 這類多模態資料庫，則將關聯式和圖形模型整合至單一系統，可靈活因應各種資料需求。
圖形資料庫常見問題
圖形資料庫中的「節點」和「邊緣」是什麼？
節點代表人物、產品或地點等個別實體。邊緣則是這些節點間的關聯，例如好友關係、購買活動，或是兩個地點間的路線。
為什麼要選擇圖形資料庫，而非關聯式資料庫？
如果組織認為資料間的關係和資料本身同樣重要，建議採用圖形資料庫。當需要分析複雜的關聯時，圖形資料庫的處理速度明顯更快，操作上也更符合直覺，很適合用於社群網路、推薦引擎和詐欺偵測等應用情境。
我需要同時使用關聯式和圖形資料庫嗎？
考量到許多現代應用的需求，兩者可能都不可或缺。關聯式資料庫 (如 PostgreSQL 或 MySQL) 可為資料架構建立穩固基礎，幫助組織順利儲存客戶、產品和交易等業務核心事實資訊，同時確保資料維持高度完整性。
這些事實資訊間的關係複雜多變，如果組織也需要理解箇中關聯，圖形資料庫就相當實用。比起操作較為繁瑣的關聯式資料庫，圖形資料庫更有助解答資料關係方面的問題，例如「哪些客戶受到這項行銷廣告活動的影響？」
這兩種資料庫相輔相成，可帶來極大助益。關聯式資料庫負責儲存「資訊本身」，也就是客戶、產品資料等；圖形資料庫則負責探究「資訊間的關聯」，讓組織清楚瞭解該客戶和其他客戶與產品間的關係。
圖形資料庫的優點
圖形資料庫可處理緊密相連的資料，同時也具備多個優點，對於重視關係的應用情境至關重要。以下列舉幾個主要優點：
加速查詢連結的資料
加速查詢連結的資料
圖形資料庫會直接掃遍邊緣，而非仰賴成本高昂的 JOIN 作業，可更快速、高效地處理注重關係的查詢，例如找出最短路徑或偵測叢集。
以優異擴充能力因應持續成長的網路
以優異擴充能力因應持續成長的網路
圖形資料庫可順暢處理大量不斷變化的資料集，特別適用於有動態資料模型的產業，例如社群媒體業、金融業和電信業。
資料結構極富彈性
資料結構極富彈性
圖形資料庫採用無結構定義的設計，方便新增或變更節點和邊緣，無須費力重新整理資料。這樣的靈活彈性很適合資料關係多變的應用情境。
提供專業分析與洞察
提供專業分析與洞察
圖形資料庫支援社群偵測和連結分析等進階演算法，可從複雜關係中擷取實用洞察資訊。這些功能有助於找出隱藏的模式，並做出資料導向決策。
直覺式關係建模
直覺式關係建模
圖形資料庫會使用節點和邊緣反映現實世界的關係，因此更容易呈現及分析複雜的網路，例如社群互動、供應鏈或推薦系統。
強化內容認知能力
強化內容認知能力
圖形資料庫不僅是儲存資料，還會儲存關係的意義和類型，因此系統 (尤其是 AI) 能更深入瞭解資料，這對準確的脈絡搜尋和根據可驗證的事實建立 AI 模型基準而言至關重要。
社群媒體