图数据库

模型上，图用点、边、属性直接表达实体与关系，一对多与多对多、自引用都是一等公民；关系库靠外键加中间表，深层关联要写多层 join，join 是笛卡尔过滤的实现，深度增加成本指数级上升。查询上，图遍历从起点沿边指针跳转，k 度邻居成本与结果规模成正比而与全库规模无关，社交关系、反欺诈团伙、权限继承、知识图谱这类多跳场景可从秒级降到毫秒级；同样的递归关系库要写递归 CTE 或应用层循环。另外图库自带路径算法（最短路、社区发现、中心性、相似度）与可视化生态。代价是全局扫描与聚合类分析（报表、宽表 join）不如关系库与数仓，事务规范与生态工具也弱于关系库。选型口诀：关系深度查询用图，结构化记录与事务用关系库，常组合使用。

属性图（Neo4j、NebulaGraph、JanusGraph 采用）：节点与边都是一等对象，可带任意属性键值，边有方向与类型，支持点边索引，查询语言 Cypher 与 Gremlin、nGQL；建模直观，工程系统主流。RDF（资源描述框架）：一切是「主谓宾」三元组，资源用 URI 标识，属性值也是节点，配合本体语言 OWL 做形式化语义推理，查询用 SPARQL；适合开放互联与知识融合（同一实体多源对齐）、语义网与图书馆、生物医药标准数据集。差异要点：属性图的属性附着在点边上不可直接被再描述，RDF 一切皆节点故可对陈述再陈述（reification）；RDF 有标准推理（子类、传递属性推导），属性图靠应用层。选型：企业级关系分析用属性图，开放数据发布与语义推理用 RDF，两者可通过导出互转。

Cypher 用 ASCII 风格的模式描述图结构：（a）-[:认识]->（b） 直接画出点边模式，MATCH 子句匹配模式、WHERE 过滤、RETURN 投影，声明式程度与 SQL 相同但表达关系遍历远比多层 join 直观。核心概念对照：MATCH 类似 FROM 加 join（模式匹配即 join）、可选匹配 OPTIONAL MATCH 对应左外连接、路径变量与变长路径 （a）-[:认识*1..3]->（b） 是 SQL 递归 CTE 的简洁替代、UNWIND 展开列表类似 explode。执行上 Neo4j 基于起始点索引与模式展开，起点选择（用索引命中的标签与属性）决定执行计划优劣，PROFILE 与 EXPLAIN 查看计划。还有 MERGE 幂等创建（不存在才建，常配 on create 与 on match）替代复杂的 insert 与 select 判断。能写两度朋友查询并解释变长路径即达标。

难点是边天然跨节点：切点策略把点分配到分区（按哈希或业务域），边存其一端（常用源点所在分区的邻接表），跨分区遍历产生网络往返；切边策略把边按分区复制到两端，读多写少时省网络但一致性维护贵。查询执行有三种形态：不变换（traversal 下推到各分区局部展开，聚合结果回传，NebulaGraph 模式）、重构（把图查询翻译为分布式 join 提交计算引擎，JanusGraph 配 Spark 模式）、数据复制（小图多副本避免分布）。工程要点：热点大点（明星节点）邻居分布倾斜需分区感知与缓存；多跳查询限制路径长度与结果规模防爆走；副本与一致性（多数写成功）与快照一致性权衡。答出切点与边归属、跨分区遍历代价、三种执行形态即优秀。

金融风控与反欺诈：设备、账号、手机号、银行卡构成网络，担保圈与团伙欺诈靠多跳环路与社区发现，规则引擎在图上实时查询（同一设备登录多账号即标记）。社交与推荐：好友推荐（朋友的朋友排序）、二度关系可见性、互动网络影响力传播；推荐系统把用户行为与知识图谱结合，图嵌入（node2vec、GraphSAGE）产出特征进模型。知识图谱与搜索：实体识别消歧、关系抽取存储、问答与语义搜索（RAG 里作结构化知识源）。基础设施与权限：依赖图谱排障（微服务与数据库血缘、告警根因分析）、复杂权限继承（RBAC 树与组嵌套）。供应链与物流：BOM 多层展开、断链分析。回答时给两三个场景并说明「为什么必须图」（多跳实时、动态模式）比罗列更重要。