【图数据库实战】HugeGraph图计算流程

本文主要是介绍【图数据库实战】HugeGraph图计算流程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

HugeGraph是一款易用、高效、通用的开源图数据库系统（Graph Database，GitHub项目地址），实现了Apache TinkerPop3框架及完全兼容Gremlin查询语言，具备完善的工具链组件，助力用户轻松构建基于图数据库之上的应用和产品。HugeGraph支持百亿以上的顶点和边快速导入，并提供毫秒级的关联关系查询能力（OLTP），并支持大规模分布式图分析（OLAP）。 HugeGragh是百度安全部门自研的图数据库，2018年开源，采用APL 2.0开源协议，迭代了多个版本。

HugeGraph典型应用场景包括深度关系探索、关联分析、路径搜索、特征抽取、数据聚类、社区检测、知识图谱等，适用业务领域有如网络安全、电信诈骗、金融风控、广告推荐、社交网络和智能机器人等。

HugeGraph支持在线及离线环境下的图操作，支持批量导入数据，支持高效的复杂关联关系分析，并且能够与大数据平台无缝集成。 HugeGraph支持多用户并行操作，用户可输入Gremlin查询语句，并及时得到图查询结果，也可在用户程序中调用HugeGraph API进行图分析或查询。

什么是图计算?

以图模型的方式对现实世界的问题建模，然后分析问题，选出合适的算法解决问题，这些过程就是图计算。比如要在社交网络中量化一个人的重要程度，每个人可以用一个顶点表达，人与人之间的关系通过顶点之间的边表达，图模型建立起来以后可以很直观的判断，如果此人重要，大概率会和很多人建立关联，并且每个人之间的关联路径很短。图计算针对上述场景有紧密中立性算法，可以通过算法计算出每个顶点的分值，分值越高就代表此人重要性越高，如果一个人和所有人都直接建立关联，此人肯定是最重要的人之一。总之通过图模型的方式描述一些问题，很简洁，也很符合我们的直觉。