Grafdatabaser: Ett nytt sätt att tänka på data

Författare: Louise Ward
Skapelsedatum: 5 Februari 2021
Uppdatera Datum: 28 Juni 2024
Anonim
Grafdatabaser: Ett nytt sätt att tänka på data - Teknologi
Grafdatabaser: Ett nytt sätt att tänka på data - Teknologi

Innehåll


Källa: Blueximages / Dreamstime.com

Hämtmat:

Grafdatabaser används av många branscher för deras unika förmåga att analysera förhållanden mellan data.

Betydelsen av big data har ökat. Men för att få ut mesta möjliga av uppgifterna måste företag kunna hitta handlingsbara insikter från den. För att hitta kraftfulla insikter måste det finnas både djupa frågor och bra analyser av de data som returneras. Traditionella SQL-frågor har begränsningar när det gäller komplexa flerskiktsfrågor och det begränsar ett företags mål att hämta meningsfull data.

Grafdatabaser har gjort det möjligt för företag att starta komplexa flerskiktsfrågor som kan besvaras direkt, medan traditionella SQL-databaser skulle ha svårt att besvara sådana frågor. Komplexa frågor returnerar aldrig tidigare skådade och värdefulla insikter. Grafdatabaser används i många branscher som sociala medier, sjukvård och online-datering. Det verkar som om grafikdatabasen ger ett nytt sätt att titta på data.


Vad är en grafdatabas?

En grafdatabas används för att lagra information om olika enheter, kartlägga relationer mellan enheter och frågeställningar mellan enheter. I detta läge kan enheter vara många saker som människor, företag, djur och bilar. En enhet kan ha en specifik relation med en annan enhet. Till exempel är Martin, en enhet, en vän till Jim, en annan enhet. Martin kan äga en BMW-bil. I båda exemplen är Martin, Jim och BMW enheterna med specifika relationer mellan dem. "Martin är en vän till Jim" betyder att vänskap är förhållandet mellan de två enheterna. På liknande sätt betyder "Martin äger en BMW" att ägande är förhållandet mellan Martin och hans BMW. I diagramdatabasparlance är relationer kända som kanter. Relationerna visas i form av en graf och därför är konceptet känt som en grafdatabas. (För att lära dig mer om grafdatabaser, se Hur grafdatabaser ger nätverk till data.)


Konceptet med grafdatabasen implementeras i olika branscher som hälso- och sjukvård, sociala medier och e-handel. Exemplen som givits tidigare i denna artikel är enkla och enkla, men användningsfallen som implementerats i branscherna är mycket komplexa. Ta exemplet på en e-handelswebbplats som ger rekommendationer till kunder. Hur ger webbplatsen produktrekommendationer som är lämpliga för en kund? Hur vet webbplatsen kundens behov och preferenser? Nyckeln ligger i den produkt kunden tittar på.Om kunden tittar på en bok om hantering av mänskliga resurser ser webbplatsens rekommendationslogik efter andra kunder som har tittat på eller köpt samma bok. Samtidigt bestämmer logiken också andra liknande eller relaterade böcker som andra användare med liknande intressen har sett eller köpt, och liknande böcker rekommenderas för användaren.

Så fungerar en grafdatabas

Låt oss titta närmare på grafdatabaser med hjälp av ett exempel. Låt oss anta att en smarttelefontillverkare vill lansera en smartphone med flera avancerade funktioner. Produkthanteringen kommer att besluta om funktionerna efter att ha fastställt behov och preferenser för sin målgrupp, som är företagsledare. Smartphone-tillverkaren har en eller flera databaser som samlar in och lagrar data om verkställande profiler från flera datakällor. Nu skapar produktcheferna en grafdatastruktur baserad på de data som ser ut som de nedan:

Från bilden ovan drar produktcheferna följande slutsatser eller affärsbeslut:

  • Steve är en HR-chef som använder messenger mycket. Hans anslutningar i HR-avdelningen använder förmodligen även budbäraren på grund av deras arbetsprofil. Så bra budbärare i smarttelefonen kan vara viktiga.
  • Det främsta skälet till att Debra och hennes mans vän Trevor ofta antivirusforum kan vara säkerhetsproblem i sina smartphones eller datorer. Så den nya smarttelefonen kan ha inbyggda säkerhetsfunktioner.
  • Abraham använder en Fitbit, vilket indikerar att han övervakar sin kondition. Så det skulle vara en bra funktion om den nya smarttelefonen kan synkronisera data från Fitbit-enheter och visa den på ett användarvänligt sätt.

Exemplet ovan visar hur grafdata kan användas för att lösa affärsproblem.

Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv

Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.

Fallstudier

Fallstudierna nedan visar hur grafdatabaser har hjälpt till att lösa komplexa problem inom online dating och online karriär sökning branscher.

Fallstudie - online dating

Problem: Online-datingportaler vill hitta lämpliga matchningar för sina prenumeranter. För att göra det behöver portalerna information om andra medlemmar på webbplatsen som kan ha liknande smak, preferenser, bakgrunder och annan information.

Lösning: Många onlineportaler har använt grafidatabaser för att resa igenom detaljerna om miljoner medlemmar och skura information. Baserat på det förbereder webbplatsen matcher baserade på smak, utbildning, hobbyer och andra detaljer. Webbplatsen bestämmer att dessa profiler troligen kommer att passa en bra matchning med en viss profil och ger rekommendationer i enlighet därmed.

Fallstudie - Professionella nätverkswebbplatser

Problem: Professionella nätverkswebbplatser som LinkedIn vill rekommendera de mest lämpliga anslutningarna och jobben baserat på ett antal parametrar som profil, anslutningsvyer, profilvyer och gruppmedlemskap, vilket återspeglar intressen och preferenser.

Lösning: För att göra detta reser sådana nätverkswebbplatser genom flera lager av anslutningar, som anslutningar av anslutningar av anslutningar och så vidare. Därefter hittar grafiklogiken vanliga yrkesintressen, karriärer, jobbprofiler, gruppmedlemskap och annan information och baserat på resultaten finner rekommendationer om både nätverk och jobb.

Fakta och siffror från branschen

Fakta och siffror som anges nedan visar hur mycket grafdatabasen har använts bransch:

  • Mer än 30 Global 2000-företag som inkluderar Wal-Mart, eBay, Lufthansa och Deutsche Telekom har antagit Neo4j, den mest populära grafdatabasen, skapad av Neo Technology.
  • Branschobservatören DB-Engines har detta att säga om populariteten och antagandet av grafdatabaser, "Graf DBMS växer i popularitet snabbare än någon annan databaskategori," eftersom det har vuxit med nästan 300 procent sedan januari 2013.
  • Sedan maj 2013 har många stora datingsidor på nätet börjat anta grafdatabaser.
  • LinkedIn har ett stort team som arbetar med sitt egna grafiska databassystem.
  • beror mycket på en grafdatabas och har också släppt FlockDB, en öppen källkodsdatabas. (Mer information om öppen källkodsdatabaser finns i Varför öppen källkodsdatabaser blir populärare.)
  • Teradata har släppt en ny typ av SQL som kallas SQL-GR med syftet att göra grafiska databaser enkla att använda för företagsanvändare.

Slutsats

Grafdatabasen representerar ett nytt sätt att titta på big data. Det finns två tydliga fördelar med grafdata:

  1. Relationsdatabashanteringssystem (RDBMS) kan inte bearbeta stora datamängder på kort tid. Dessutom kan den inte organisera stora mängder data. En grafdatabas kan korsa valfritt antal relationer mellan enheter och organisera information logiskt.
  2. Grafdatabaser är extremt effektiva för att hämta relevant information efter att ha skurat flera enheter och relationer. Som tidigare nämnts kan de fråga och returnera extremt värdefulla insikter som BI-system kan presentera på ett användarvänligt sätt.

Det verkar som att det bara är en tidsfråga innan andra branscher som hanterar enorma mängder data som bank och finans, läkemedel, försvar och intelligens också kommer att använda grafdatabaser. Det är verkligen en intressant uppgift att upptäcka brott och identifiera försäkringsbedrägerier med hjälp av nätverk, relationer och enheter med grafiska data.