1、什么是图数据库
先看下图，关系数据库是以二维表方式存储数据，而图数据库作为NoSQL（非关系型数据库）的一种，是基于图模型，存储实体及实体间关系的一项技术。
图数据库的关键要素是两个：节点（实体，通常也包含实体的属性），线（关系）。以下图为例，节点就是具体的人，而线就是人之间的关系。
图数据库基于图模型以一种直观的方式存储和展示这些关系。因为是基于事物关系的模型表达，图因此也具有天然的可解释性。所以被广泛应用于关联信息的搜索，以及社会网络的分析场景中。
2、图数据库对比传统关系数据库的优势
将示例图扩展
.高性能
以查询要求“张旻”与“何竹”是否有亲属关系为例，关系型数据需要对全表递归扫描关联，且扫描次数需要依赖于穷举后的次数，而如果是图数据库，输入节点名称“张旻”与“何竹”，并根据图连通性（最小联通算法）判断即可获得结果。
这是因为在关系信息的处理场景下，随着数据量的增多和关系深度的增加，关系型数据库由于查询时需要记录间甚至表之间连接操作，从而导致较大的查询和关联成本，性能较差。而图数据库是在存储结构上直接把节点及其关联节点连接在一起。这样，当需要查询一个节点的关联节点时，直接从节点循着链接出发去寻找就可以了，而不需要遍历所有节点，大大节省了查询时间。
简单来说，关系型数据库会随着查询层次的加深、数据量的加大，查询性能会逐渐恶化，使用图数据库查询时，查询工作量仅与被查询的节点关系数有关，而与全局节点数无关，这样当全局节点数变多、关系变得更复杂时，子图的查询工作量不会有太大变化。另外，即使是查询层次变深，对于图数据库来说，只是多查了一层子图，逻辑比较清晰，不会像关系型数据库那样增加遍历工作量。
.直观
图模型是基于事物关系的模型，更符合人们的直观理解，也具备天然的可解释性。
3、图数据库与知识图谱
知识图谱是2012年，由Google提出，其本质是大规模的语义网络，包含实体、属性及其之间的各种语义关系。而图数据库是知识图谱的存储引擎，并且是海量关系数据的计算平台。
知识图谱最早应用在搜索的优化中，先看下图，相对于百度获得的更偏热点的搜索结果，Magi更多是将特朗普作为一个实体，返回其关系网络，及个人标签卡片，并且标注出每条关系的网页来源，其背后即是通过对文本解析后获得结构化数据，并结合机器学习，深度挖掘实体之间的关系，从而返回得到实体的标签、关系网络。
简言之，知识图谱是将知识，以及知识挖掘的过程，做到了可视化，从而具备可解释性。
安利一下网站：https://magi.com/
4、有哪些图数据库工具
这一段不展开做介绍，网上有相应的测评结果：https://www.1data.info/content-643.html
主要提一下Neo4j，其在单机笔记本电脑上即可安装测试，对于新手，有以下特点：
（1）支持SQL查询语言 Cypher
（2）遵循属性图数据模型
（3）支持UNIQUE约束
（4）支持通过Neo4j数据浏览器对数据库进行操作
（5）支持完整的ACID（原子性，一致性，隔离性和持久性）规则
（6）支持查询的数据导出到JSON和XLS格式，并支持Load等方式导入数据
5、neo4j的应用尝试
以网上获取到的电影数据为例（原始文件需要的线下可以给）
实体、关系
这份数据里，最直观的实体是电影，演员，在这里对数据做结构化处理后，获取到4000+电影，33000+演员
而演员在不同的电影里的角色不同，有的甚至是导演，而角色只会产生在电影和演员两个实体之间，即为关系，获取到关系在8万个关系对
这里对于实体的属性，电影选择了电影名称，猫眼url，电影类型，上映时间和地点，拍摄方，以及获取奖项；对于演员，由于原始数据信息较少，所以属性只是将做过的角色作为一项技能属性。
导入neo4j的语句如下：
LOAD CSV WITH HEADERS FROM "file:///film.csv" AS line
CREATE (:film { film:line.film, url:line.url, type:line.type, take:line.take, duration:line.duration, area:line.area, showtime:line.showtime, prize:line.prize})
LOAD CSV WITH HEADERS FROM "file:///actor.csv" AS line
CREATE (:actor { actor:line.actor, role:line.role})
展示
由于大部分电影涉及到大量演员，展示的图过于复杂，现将图的范围缩小，根据特定演员去查询子表
由于近期郑爽比较火，所以查她，其演过5部电影，均是以演员身份
其跟张恒吵得很凶，那他们两个是怎么认识的呢，用以下语句查询两节点之间最短路径，发现闫妮和张恒2018年合作了电影，而闫妮和郑爽之间合作了画壁，那么张恒和郑爽有没有可能是通过闫妮认识的呢？（此张恒可能并非彼张恒，仅做测试而已）
MATCH n=allshortestPaths((a:actor {actor:"郑爽"})-[*]-(b:actor {actor:"张恒"})) return n
6、探讨
以上仅是一个粗略的介绍，大家可以想一下，对于产品创新领域，能否将现有成熟的产品或者商业模式进行拆解，如下：
1、实体：商业模式中的参与方，产品中的工具或者具体技术
2、关系：参与方（公司或者团队或者个人）与成功商业创新之间的关系，具体技术或者工具与失败or成功产品之间的关系
3、最后以时间轴，进行滑动窗口分析，是不是可以看出行业在不同阶段，市场上对于创新所需元素的变化？