2010 年前后，对于社交媒体网络研究的兴起带动了图计算的大规模应用。

2000 年前后热门的是 信息检索 和 分析 ，主要是 Google 的带动，以及 Amazon 的 e-commerce 所用的协同过滤推荐，当时 collaborative filtering 也被认为是 information retrieval 的一个细分领域，包括 Google 的 PageRank 也是在信息检索领域研究较多。后来才是 Twitter，Facebook 的崛起带动了网络科学 network science 的研究。

图理论和图算法不是新科学，很早就有，只是最近 20 年大数据，网络零售和社交网络的发展， big data、social networks、e-commerce 、IoT 让图计算有了新的用武之地，而且硬件计算力的提高和分布式计算日益成熟的支持也使图在高效处理海量关联数据成为可能。

上文摘录了#聊聊图数据库和图数据库小知识# Vol.01 的 [图数据库兴起的契机] ，在本次第二期#聊聊图数据库和图数据库小知识#我们将了解以下内容，如果有感兴趣的图数据库话题，欢迎添加 Nebula 小助手微信号：NebulaGraphbot 为好友进群来交流图数据库心得。

本文目录

• 图数据库和图数据库设计
  • 传统数据库通过设计良好的数据结构是不是可以实现图数据库的功能
  • 图数据库会出于什么考虑做存储计算分离
  • 数据量小，业务量小的情况下，是否单机部署图数据库性能也不错。
  • 图数据库 shared-storage 和 shared-nothing 的比较
  • 图数据库顶点和边输出及超级顶点输出优化
  • 如何处理图数据库中大数据量的点？
• Nebula Graph 实践细节
  • Nebula Graph 元数据（ Meta Service ）使用 etcd 吗？
  • Nebula Graph Cache 位于那一层
  • Nebula Graph 集群中的 Partition 多大
  • 如何理解 Nebula Graph Partition

☺️ 图数据库和图数据库设计

在这个部分，我们会摘录一些图数据库设计通用的设计思路，或者已有图数据库的实践思考。

大佬有話說 (0)