手機淘寶購物時，手淘上有猜你喜歡頁面來推薦你可能會感興趣的商品；使用優酷觀看電影時，頁面上也會推薦你可能喜歡的電影列表。個性化推薦的應用非常廣泛，幫助企業挖掘潛在的用戶需求、提高轉化率的同時，也能夠有效提升用戶體驗度。個性化推薦基于用戶的歷史行為習慣，商品、電影本身的屬性等數據集，這些數據之間相互關聯，應用推薦策略時需要利用這些數據之間復雜的關聯關系，因此使用圖數據庫來存儲這些數據是非常合適的。
建模
本文以書籍的個性化推薦舉例，來說明如何使用圖數據庫的個性化推薦應用。
圖數據庫GDB目前支持的圖模型是屬性圖，屬性圖將存儲的基本元素分為點（Vertex）、邊（Edge）和屬性（Property），每個Vertex或Edge都有一個標簽（Label）來代表它的類型。在書籍個性化推薦中，我們可以定義如下的基本元素：
- Vertex：書籍（Book）、出版商（Publisher）、作者（Author）、讀者（Reader）。
- Edge：出版（Publish）、寫作（Write）、打分（Score）。
- Property：名字（name）、類型（type）、年齡（age）、出版年份（year）。
代碼實現
現在請您給用戶名為“小明”的讀者推薦書籍，直觀想法是“找到那些和小明評價過相同的書的讀者，把他們評價過的其它書推薦給小明”。
圖數據庫GDB目前支持的查詢語言是Gremlin，下面使用Gremlin語句來實現：
- 找到小明。
g.V().hasLabel('Reader').has('name','小明') - 找到小明評價過的書。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score') - 找到跟小明評價過相同書籍的其他人。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')) - 找到這些人看過的小明沒有看過的書。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')).out('Score').where(not(within('scored_books')))