图数据库
图数据库专门用于存储和查询图结构数据，典型应用包括社交网络、知识图谱、推荐系统、欺诈检测。图数据由节点和边组成，节点表示实体，边表示关系。关系数据库在处理多跳查询时效率低，图数据库通过针对图遍历的优化实现高效查询。
图数据模型
标签属性图
Neo4j 使用标签属性图模型，节点可以有多个标签，标签相当于表的分类。节点和边都可以有属性，属性是键值对。例如 Person 标签的节点有 name、age 属性，KNOWS 关系的边有 since 属性。
图数据与关系数据的区别在于关系的处理方式。关系数据库通过外键表示关系，查询多跳关系需要多次 JOIN，性能随跳数指数下降。图数据库通过物理指针连接节点，遍历关系的复杂度是 O(1)，多跳查询仍然高效。
图遍历
图遍历是图数据库的核心操作，包括深度优先、广度优先、最短路径、连通分量。深度优先从起点开始尽可能深地探索，回溯后再探索其他分支。广度优先从起点开始逐层探索，先访问所有邻居，再访问邻居的邻居。最短路径找到两点之间边数最少的路径，常用算法是 BFS。连通分量找到图中所有连通的节点集合。
Cypher 是 Neo4j 的查询语言，采用模式匹配语法，描述要查找的图模式。MATCH 子句定义模式，WHERE 子句定义条件，RETURN 子句定义返回结果。Cypher 的语法接近自然语言，易于理解和编写。
// 查找朋友的朋友
MATCH (person:Person {name: 'Alice'})-[:KNOWS]->(friend)-[:KNOWS]->(fof)
RETURN fof.name
// 查找最短路径
MATCH path = shortestPath(
(start:Person {name: 'Alice'})-[:KNOWS*]-(end:Person {name: 'Bob'})
)
RETURN path
// 查找共同好友
MATCH (a:Person {name: 'Alice'})-[:KNOWS]-(common)-[:KNOWS]-(b:Person {name: 'Bob'})
RETURN common.nameNeo4j 架构
存储引擎
Neo4j 的存储引擎针对图遍历优化，节点和边存储在相邻的存储位置，减少磁盘 I/O。节点存储包含相邻边的指针，边存储包含源节点和目标节点的指针。这种设计使得从节点出发遍历所有边是顺序读，性能极高。
Neo4j 支持两种存储格式：Neo4j 3.0 之前使用多个文件分别存储节点、边、属性、标签。Neo4j 3.0+ 使用单一存储格式，所有数据存储在同一个文件，通过记录类型区分节点、边、属性。单一存储格式减少了文件句柄和碎片，提高了缓存利用率。
索引结构
Neo4j 的索引包括 Schema 索引和全文索引。Schema 索引是 B+ 树索引，支持等值查询和范围查询。可以为节点的属性创建索引，加速查询。全文索引基于 Apache Lucene，支持全文检索和模糊匹配。
// 创建索引
CREATE INDEX ON :Person(name)
// 查询使用索引
MATCH (person:Person {name: 'Alice'})
RETURN person约束包括唯一性约束和存在性约束。唯一性约束保证属性的值在节点中唯一，可以用于实现业务唯一键。存在性约束保证属性必须有值，插入数据时如果缺少该属性会报错。
查询执行
Cypher 查询的执行包括解析、逻辑计划、物理计划、执行。解析将 Cypher 文本转换为抽象语法树。逻辑计划生成执行计划，考虑索引、连接顺序、遍历方向。物理计划选择具体的实现方式，考虑数据分布、缓存命中率。执行阶段按照物理计划访问存储引擎。
查询计划可以通过 EXPLAIN 或 PROFILE 查看，EXPLAIN 显示计划不执行，PROFILE 显示计划并执行。关键信息包括执行步骤、预估行数、实际行数、耗时。优化查询需要关注是否有索引使用、遍历方向是否合理、是否有笛卡尔积。
// 查看查询计划
PROFILE MATCH (person:Person {name: 'Alice'})-[:KNOWS]->(friend)
RETURN friend.name图遍历优化
遍历方向
Cypher 查询中边的方向可以指定为有向或无向。有向遍历按照边的物理方向遍历，无向遍历双向遍历。有向遍历性能更好，因为只需要遍历一个方向的边。无向遍历更灵活，但需要遍历两个方向。
如果数据模型允许，应该为关系定义明确的方向，查询时使用有向遍历。例如社交网络中，FOLLOW 关系有明确的方向，查询关注的人使用有向遍历，查询关注者也使用有向遍历（反向定义关系）。
查询模式
查询模式的设计影响查询性能。好的查询模式从特定节点开始，利用索引快速定位起点，然后遍历关系。坏的查询模式从全图扫描开始，性能极差。
// 好的查询模式，从特定节点开始
MATCH (person:Person {name: 'Alice'})-[:KNOWS]->(friend)
RETURN friend
// 坏的查询模式，全图扫描
MATCH (person)-[:KNOWS]->(friend)
WHERE person.name = 'Alice'
RETURN friend多跳查询可以指定跳数限制，避免遍历整个图。使用 *1..3 表示 1 到 3 跳，使用 *..3 表示最多 3 跳。跳数限制不仅限制遍历深度，也限制返回结果数量，避免结果集过大。
// 查询最多 3 跳的朋友
MATCH (person:Person {name: 'Alice'})-[:KNOWS*..3]-(friend)
RETURN DISTINCT friend内存管理
图遍历可能产生大量中间结果，需要注意内存管理。DISTINCT 去重会占用内存，如果结果集很大可能内存溢出。LIMIT 限制结果数量，可以减少内存占用。子查询可以分批处理，避免一次性加载所有数据。
Neo4j 的内存管理包括堆内存和页面缓存。堆内存用于执行引擎、事务管理、网络通信，页面缓存用于缓存数据文件。堆内存建议不超过 31GB，页面缓存应该尽可能大，建议剩余内存全部用作页面缓存。
分布式图数据库
Neo4j Fabric
Neo4j Fabric 是分布式查询功能，允许跨越多个数据库执行查询。Fabric 包含一个主数据库和多个辅助数据库，主数据库协调查询，辅助数据库存储数据。查询可以指定在哪个数据库执行，也可以跨库关联。
Fabric 的优势是透明分布式，用户使用 Cypher 查询，不需要关心数据分布。Fabric 支持数据分片，按节点属性分片到不同数据库。Fabric 支持读写分离，读操作可以路由到只读副本。
JanusGraph
JanusGraph 是分布式图数据库，后端存储支持 Cassandra、HBase、Bigtable，索引后端支持 Elasticsearch、Lucene。JanusGraph 将图数据存储在分布式数据库中，利用分布式数据库的可扩展性。索引存储在 Elasticsearch 中，支持全局索引和属性查询。
JanusGraph 的数据模型也是标签属性图，支持 Gremlin 查询语言。Gremlin 是图遍历语言，类似于函数式编程，可以表达复杂的图遍历。JanusGraph 支持多机多副本，数据自动分区和复制，适合超大规模图数据。
Amazon Neptune
Neptune 是 AWS 的托管图数据库服务，支持属性图和 RDF 图。Neptune 支持 Gremlin 和 SPARQL 查询语言，可以用于社交网络、推荐引擎、欺诈检测、知识图谱。Neptune 是完全托管的服务，自动处理备份、恢复、监控、扩容。
Neptune 的架构是分布式的，支持读写分离和多可用区部署。写入由主节点处理，读取由副本节点处理。数据跨可用区复制，单个可用区故障不影响服务。Neptune 支持快照备份，可以恢复到任意时间点。
应用场景
社交网络
社交网络是图数据库的典型应用，用户是节点，关系是边。查询包括朋友的朋友、共同好友、最短路径、连通分量。这些查询在关系数据库中需要多次 JOIN，性能差。在图数据库中直接遍历关系，性能好。
社交网络的图数据规模大，可能达到数十亿节点和边。需要考虑分布式图数据库或图计算框架。对于小规模社交网络，Neo4j 单机足够。对于大规模社交网络，需要考虑 JanusGraph 或 Neptune。
推荐系统
推荐系统使用图数据库发现用户和商品的关联，实现个性化推荐。用户节点和商品节点通过购买、浏览、评分等关系连接。查询包括用户的购买商品的相关商品、相似用户购买的商品、商品的热门路径。
推荐系统的图数据通常是二部图，两种类型的节点通过关系连接。图遍历可以找到多条路径，通过权重和评分排序结果。推荐系统通常结合机器学习，图数据库提供特征和候选集。
欺诈检测
欺诈检测使用图数据库发现欺诈模式，例如循环转账、洗钱、身份盗用。金融交易构建交易图，节点是账户和交易，边是转账关系。欺诈模式表现为特定的图结构，例如短时间多跳转账、多个账户共同收款。
图数据库可以快速检测这些模式，实时告警。欺诈检测的挑战是数据量大、实时性要求高、欺诈模式多变。图数据库的高效遍历和模式匹配能够满足这些需求。
图数据库是处理关系数据的有力工具，在社交、推荐、风控等领域有广泛应用。选择图数据库需要考虑数据规模、查询复杂度、实时性要求、团队能力。对于小规模和原型阶段，Neo4j 是好的选择。对于大规模和生产环境，需要考虑分布式图数据库或图计算框架。