總覽
原生圖形體驗
Spanner Graph 支援 ISO Graph Query Language (GQL) 這項圖形資料庫的國際標準，能夠簡單明瞭地比對圖形資料中的模式、掃遍資料關係並篩選結果，輕鬆發掘隱藏關係和洞察資訊。
經過統合的關聯模型和圖形模型
Spanner Graph 連結了關聯和圖形的世界。結合 SQL 和 GQL 的優勢之後，分析人員和開發人員只需進行一項操作，即可查詢結構化與連結資料。此外，Spanner Graph 也會用宣告式結構定義簡化圖形建立程序，將關聯資料轉換成豐富且互相關聯的圖形，供使用者探索和分析。
內建搜尋功能
Spanner Graph 中經過整合的全文搜尋和向量搜尋功能，可讓您打造由 AI 技術支援的新型應用程式。您可以分別根據語意相似度使用向量搜尋，或根據特定關鍵字使用全文搜尋，搜尋相關節點和邊緣，並使用圖形探索與這些元素相關的多樣化情境。
領先業界的擴充性、可用性和一致性
Spanner Graph 擁有 Spanner 無與倫比的極大規模、99.999% 可用性與一致性，即使是重要業務應用程式也能妥善處理。內建的資料分割功能會以水平擴充的方式自動分配資料，讓系統持續提供重要圖形資料不中斷。在整個圖形內持續保有節點和邊緣檢視功能，就能消除邊緣懸置或其他不連貫狀況的風險。
AI 輔助的洞察資料
Spanner Graph 已與 Vertex AI 整合，您可以透過能簡化 AI 工作流程的 Spanner Graph 結構定義和查詢，直接存取 Vertex AI 各式各樣的預測和生成式模型。
針對企業量身打造
Spanner Graph 繼承了 Spanner 的所有企業級技術，提供客戶自行管理的加密金鑰 (CMEK)、資料層加密、適用於存取權和控管機制的 IAM 整合功能，以及完善的稽核記錄。此外更支援 VPC-SC、資料存取透明化控管機制與存取權核准，精細的存取控管機制則可讓您在資料表和資料欄層級授予 Spanner 資料存取權。
運作方式
如要建立圖形，請先在 Spanner 中建立資料表來儲存實體和關係，然後使用圖形結構定義將資料表對應至圖形。您可以使用 GQL 查詢圖形，或結合 GQL 與 SQL，同時查詢圖形和資料表。
如要建立圖形，請先在 Spanner 中建立資料表來儲存實體和關係，然後使用圖形結構定義將資料表對應至圖形。您可以使用 GQL 查詢圖形，或結合 GQL 與 SQL，同時查詢圖形和資料表。
常見用途
知識圖譜
您可以透過 Spanner Graph 製作知識圖譜，藉此擷取實體之間的複雜連結 (以節點表示)，以及實體之間的關係 (以邊緣表示)。這些連結提供了豐富的背景資訊，讓知識圖譜成為開發知識庫系統和推薦引擎的重要資源。有了整合式搜尋功能，您可以順暢地結合語意理解、關鍵字式擷取和圖表，取得更全面的結果。
操作說明
您可以透過 Spanner Graph 製作知識圖譜，藉此擷取實體之間的複雜連結 (以節點表示)，以及實體之間的關係 (以邊緣表示)。這些連結提供了豐富的背景資訊，讓知識圖譜成為開發知識庫系統和推薦引擎的重要資源。有了整合式搜尋功能，您可以順暢地結合語意理解、關鍵字式擷取和圖表，取得更全面的結果。
推薦引擎
Spanner Graph 會自動學習實體間的關係 (例如使用者、產品或好友)，幫助系統輕鬆掃遍連結，發掘潛在關係。內建的向量搜尋和全文搜尋能參考產品使用者個人資料、產品說明和評論，並依據相似度提出推薦。這項組合可在各個不同的領域間實現高度相關的個人化推薦，且直接在 Spanner Graph 內就可進行。
操作說明
Spanner Graph 會自動學習實體間的關係 (例如使用者、產品或好友)，幫助系統輕鬆掃遍連結，發掘潛在關係。內建的向量搜尋和全文搜尋能參考產品使用者個人資料、產品說明和評論，並依據相似度提出推薦。這項組合可在各個不同的領域間實現高度相關的個人化推薦，且直接在 Spanner Graph 內就可進行。
金融詐欺偵測
Spanner Graph 會自動學習帳戶、交易和人員等金融實體之間的複雜關係，幫助使用者輕鬆辨識可能顯示詐欺活動的可疑模式和連結。除此之外，內建的向量搜尋也會指出嵌入空間內的隱藏連結和異常狀況。藉由結合這些技術，金融機構得以建立全方位詐欺偵測系統，迅速、準確地識別潛在威脅，將損失降到最低。
操作說明
Spanner Graph 會自動學習帳戶、交易和人員等金融實體之間的複雜關係，幫助使用者輕鬆辨識可能顯示詐欺活動的可疑模式和連結。除此之外，內建的向量搜尋也會指出嵌入空間內的隱藏連結和異常狀況。藉由結合這些技術，金融機構得以建立全方位詐欺偵測系統，迅速、準確地識別潛在威脅，將損失降到最低。
GraphRAG
Spanner Graph 用儲存在知識圖譜中豐富的情境資訊建立基礎模型的基準，將檢索增強生成 (RAG) 提升到全新境界。相較於傳統 RAG 為 LLM 提供擷取自來源文件的資料區塊，GraphRAG 則是進一步納入與其他內容的關係，以利更全面地理解及推論。
操作說明
Spanner Graph 用儲存在知識圖譜中豐富的情境資訊建立基礎模型的基準，將檢索增強生成 (RAG) 提升到全新境界。相較於傳統 RAG 為 LLM 提供擷取自來源文件的資料區塊，GraphRAG 則是進一步納入與其他內容的關係，以利更全面地理解及推論。
遊戲
在遊戲世界中，玩家、角色、項目和位置等實體可以節點表示，這些元素之間的關係則可以邊緣表示。此結構有助系統快速掃遍連結，對找尋路徑、管理庫存和社交互動等遊戲機制來說實屬不可或缺。Spanner Graph 具備擴充性，可確保資料庫在尖峰時段或重要活動期間處理大量湧入的玩家，避免因延遲和伺服器當機中斷遊戲過程，造成使用者困擾。
操作說明
在遊戲世界中，玩家、角色、項目和位置等實體可以節點表示，這些元素之間的關係則可以邊緣表示。此結構有助系統快速掃遍連結，對找尋路徑、管理庫存和社交互動等遊戲機制來說實屬不可或缺。Spanner Graph 具備擴充性，可確保資料庫在尖峰時段或重要活動期間處理大量湧入的玩家，避免因延遲和伺服器當機中斷遊戲過程，造成使用者困擾。
開始使用 Spanner Graph
瞭解如何使用 Spanner Graph
免費建立 90 天的 Spanner 執行個體
企業案例
「Credit Karma 的首要目標是確保超過 1 億 3 千萬名會員的資料安全無虞。為了打擊並消除我們系統中出現的詐欺行為，我們與 Google 合作導入 Google Spanner Graph 資料庫，強化我們對詐欺行為的防範能力。藉由這項先進的平台功能，我們得以在潛在詐欺威脅發生前先行偵測。透過 Spanner Graph，我們可有效偵測並預防詐欺交易、帳戶盜用及其他詐欺活動。」 - Credit Karma
聯絡我們主要優點
運用以知識圖譜為基礎的智慧功能，提高生成式 AI 應用程式的效能。
探索資料中隱藏的連結和關係。
使用單一統合式資料庫簡化作業，整合關聯式、圖形、搜尋和鍵/值功能。
社交網路
人員、團體、興趣和互動可以節點和邊緣表示，供有效分析連結並發掘模式，例如共同好友、共同興趣，以及重複的群組成員等。接著，系統可用這些洞察資料生成個人化好友和內容推薦，並且指定廣告目標。不僅如此，經過整合的全文搜尋還能使用自然語言查詢，幫助您輕鬆找到人員、群組、貼文或特定主題。
操作說明
人員、團體、興趣和互動可以節點和邊緣表示，供有效分析連結並發掘模式，例如共同好友、共同興趣，以及重複的群組成員等。接著，系統可用這些洞察資料生成個人化好友和內容推薦，並且指定廣告目標。不僅如此，經過整合的全文搜尋還能使用自然語言查詢，幫助您輕鬆找到人員、群組、貼文或特定主題。