概览
原生图体验
Spanner Graph 支持图数据库的国际标准 ISO Graph Query Language (GQL)。它提供了一种直观而简洁的方式来匹配模式、遍历关系和过滤图数据中的结果，从而更轻松地揭示隐藏的关系和数据洞见。
统一的关系和图模型
Spanner Graph 将关系型架构与图架构联系起来。通过结合 SQL 和 GQL 的优势，它使分析师和开发者只需一次操作即可查询结构化和关联的数据。此外，Spanner Graph 通过声明式架构简化了图的创建，可以将关系型数据转换为丰富且互联的图，并直接可用于探索和分析。
内置搜索功能
Spanner Graph 中集成的全文搜索和向量搜索功能使您可以提供一类依托 AI 技术的新型应用。您可以使用向量搜索，根据语义相似度搜索相关节点和边，或是使用全文搜索，根据特定关键字进行搜索，然后使用图探索围绕这些元素的丰富上下文。
业界领先的可伸缩性、可用性和一致性
Spanner Graph 基于 Spanner 强大的可伸缩性、99.999% 的可用性和一致性而构建，是任务关键型应用的理想选择。内置分片功能可自动分布数据以实现横向可伸缩性，并有助于确保不间断地访问关键图数据。通过在整个图内保持一致的节点和边视图，它消除了悬垂边或其他不一致的风险。
依托 AI 技术的分析洞见
Spanner Graph 与 Vertex AI 集成。您可以通过 Spanner Graph 架构和查询直接访问 Vertex AI 丰富的预测模型和生成模型，从而简化 AI 工作流。
适合企业
Spanner Graph 继承了 Spanner 的所有企业级功能，提供客户管理的加密密钥 (CMEK)、数据层加密、用于访问和控制的 IAM 集成，以及全面的审核日志记录。此外，它还支持 VPC-SC、Access Transparency 和 Access Approval。此外，精细的访问权限控制可让您在表和列级别授予对 Spanner 数据的访问权限。
工作方式
如需创建图，请先在 Spanner 中创建用于存储实体和关系的表，然后使用图架构将这些表映射到图。您可以使用 GQL 查询图，也可以结合使用 GQL 和 SQL 来同时查询图和表。
如需创建图，请先在 Spanner 中创建用于存储实体和关系的表，然后使用图架构将这些表映射到图。您可以使用 GQL 查询图，也可以结合使用 GQL 和 SQL 来同时查询图和表。
常见用途
知识图谱
借助 Spanner Graph，您可以开发知识图谱来捕获实体（表示为节点）之间的复杂连接以及实体的关系（表示为边）。这些连接提供了丰富的上下文，因此对于开发知识库系统和推荐引擎而言，知识图谱具有重要价值。通过集成的搜索功能，您可以将语义理解、基于关键字的检索以及图表无缝地结合在一起，以获得全面的结果。
方法指南
借助 Spanner Graph，您可以开发知识图谱来捕获实体（表示为节点）之间的复杂连接以及实体的关系（表示为边）。这些连接提供了丰富的上下文，因此对于开发知识库系统和推荐引擎而言，知识图谱具有重要价值。通过集成的搜索功能，您可以将语义理解、基于关键字的检索以及图表无缝地结合在一起，以获得全面的结果。
商品推荐引擎
Spanner Graph 自然地对实体（例如用户、商品或好友）之间的关系建立模型，从而可以轻松遍历连接并发掘潜在关系。内置的向量搜索和全文搜索功能支持基于产品用户画像、产品描述和评价进行基于相似度的推荐。这样的组合能够跨不同的域进行高度相关的个性化推荐，一切尽在 Spanner Graph 中实现。
方法指南
Spanner Graph 自然地对实体（例如用户、商品或好友）之间的关系建立模型，从而可以轻松遍历连接并发掘潜在关系。内置的向量搜索和全文搜索功能支持基于产品用户画像、产品描述和评价进行基于相似度的推荐。这样的组合能够跨不同的域进行高度相关的个性化推荐，一切尽在 Spanner Graph 中实现。
金融欺诈检测
Spanner Graph 自然地建立金融实体（如账户、交易和个人）之间复杂关系的模型，使您能够更轻松地发现可疑模式和可能标志着欺诈活动的关联。此外，内置的向量搜索还可以揭示嵌入空间中的隐藏连接和异常。通过结合这些技术，金融机构可以打造全面的欺诈检测系统，从而快速准确地识别潜在威胁，将损失降至最低。
方法指南
Spanner Graph 自然地建立金融实体（如账户、交易和个人）之间复杂关系的模型，使您能够更轻松地发现可疑模式和可能标志着欺诈活动的关联。此外，内置的向量搜索还可以揭示嵌入空间中的隐藏连接和异常。通过结合这些技术，金融机构可以打造全面的欺诈检测系统，从而快速准确地识别潜在威胁，将损失降至最低。
GraphRAG
Spanner Graph 使用知识图中存储的丰富上下文信息来为基础模型建立依据，使检索增强生成 (RAG) 方法更加强大。传统 RAG 为 LLM 提供从源文档中提取的数据块，而 GraphRAG 则更进一步，纳入了与其他内容的关系，以促进更全面的理解和推理。
方法指南
Spanner Graph 使用知识图中存储的丰富上下文信息来为基础模型建立依据，使检索增强生成 (RAG) 方法更加强大。传统 RAG 为 LLM 提供从源文档中提取的数据块，而 GraphRAG 则更进一步，纳入了与其他内容的关系，以促进更全面的理解和推理。
游戏
在游戏世界中，可以用节点表示实体（例如玩家、角色、道具和位置），用边表示它们之间的关系。这种结构有助于高效遍历关联，对于寻路、库存管理和社交互动等游戏机制必不可少。Spanner Graph 的可伸缩性确保数据库在高峰时段或重大事件期间能够应对大量涌入的玩家，防止出现延迟和服务器崩溃而导致游戏中断和让用户感到不满。
方法指南
在游戏世界中，可以用节点表示实体（例如玩家、角色、道具和位置），用边表示它们之间的关系。这种结构有助于高效遍历关联，对于寻路、库存管理和社交互动等游戏机制必不可少。Spanner Graph 的可伸缩性确保数据库在高峰时段或重大事件期间能够应对大量涌入的玩家，防止出现延迟和服务器崩溃而导致游戏中断和让用户感到不满。
开始使用 Spanner Graph
了解如何使用 Spanner Graph
创建一个可免费试用 90 天的 Spanner 实例
业务用例
“在 Credit Karma，确保超过 1.3 亿会员的数据安全是我们的首要任务。为了打击和消除整个系统中的欺诈行为，我们与 Google 携手合作，通过实现 Google Spanner Graph 数据库来增强我们的欺诈防范能力。这项先进的平台功能使我们能够在潜在的欺诈威胁发生前及时检测到它们。借助 Spanner Graph，我们可以有效检测并防范欺诈性交易、账号盗用和其他欺诈活动。”- Credit Karma
与我们联系精选福利
利用基于知识图的智能技术提升您的生成式 AI 应用。
发现数据中隐藏的连接和关系。
通过单个统一数据库简化运营，并集成关系型、图、搜索和键值对功能。
社交网络
用户、群组、兴趣和互动可以用节点和边来表示，以高效分析联系和发现模式，例如共同的好友、共同的兴趣或重叠的群组成员资格。然后，您可以利用这些数据洞见来生成个性化的好友和内容推荐以及广告定位。此外，通过集成的全文搜索功能，您可以使用自然语言查询轻松查找用户、群组、帖子或特定主题。
方法指南
用户、群组、兴趣和互动可以用节点和边来表示，以高效分析联系和发现模式，例如共同的好友、共同的兴趣或重叠的群组成员资格。然后，您可以利用这些数据洞见来生成个性化的好友和内容推荐以及广告定位。此外，通过集成的全文搜索功能，您可以使用自然语言查询轻松查找用户、群组、帖子或特定主题。