圖6圖中節點之間邊的密集程度反映了節點之間的相關性 (部署圖中的節點具有以下哪些方面的內容)

邊的屬性。和頂點的屬性類似，每條邊上也可以有屬性。比如連接“李連杰”和“英雄”的邊有屬性“角色”，其值是“無名”。 相比RDF，LPG由于可以在節點和邊上定義豐富的屬性，更加易于我們理解，建模也更加靈活。 圖查詢語言 應該說，關系型數據庫在過去半個世紀的成功離不開SQL查詢語言標準化。目前，圖查詢語言的標準化工作還在進行當中，其核心語法和特性基于Neo4j的Cypher，Oracle的PGQL和GCORE框架。 從查詢語言本身來說，主要有兩類: 從未來的發展趨勢來看，聲明型查詢語言由于其易于理解，學習門檻低，便于推廣等特性，將成為主流的圖查詢語言。智能，優化的查詢執行引擎將成為衡量圖數據庫技術優勢的關鍵。 圖分析 在計算機科學領域，圖算法是一個重要的算法類別，經常用于解決復雜的問題。大家應該還能記得在《數據結構》或者軟件開發相關課程中都會學到的“樹的遍歷”，這就是典型的圖算法。部分成熟的圖數據庫內置了這些圖算法，以提供對圖數據的高級分析功能。 最短路徑搜索 最短路徑是圖計算中一類最常見的問題，通常見于解決下面的應用場景: 在兩個地理位置之間尋找導航路徑; 在社交網絡分析中，計算人們之間相隔的距離，“最短”則基于路徑上邊的距離和成本，例如:最少跳轉次數; A*算法:基于啟發式規則的最短路徑; k條最短路徑。 計算范圍則包括: 節點對之間; 單一起點到圖中其他所有節點; 全圖中所有節點對之間。 除此之外，最小生成樹，隨機游走等圖遍歷算法也屬于這一類。 社團檢測 “物以類聚，人以群分”，這句話非常形象地描述了網絡的一個重要特征:聚集成群。群也稱作“社區”“團體”“群組”。社區的形成和演變是圖分析和研究的又一個重要領域，因為它幫助我們理解和評估群體行為，研究新興現象。 社區檢測算法就是在圖中對節點進行分組和集合:在同一集合中的節點之間的邊比分屬不同集合的節點之間更多。從這一意義上，我們認為它們有更多共同點。社區檢測可以揭示節點集群，隔離的群組和網絡結構。在社交網絡分析中，這種信息有助于推斷擁有共同興趣的人群。在產品推薦中，可以用來發現相似產品。在自然語言處理/理解中，可以用來對文本內容自動分類。社區檢測算法還用于生成網絡的可視化展現。 圖6圖中節點之間邊的密集程度反映了節點之間的相關性