社交類業務場景的數據模型天然具備高度連接的特點，圖數據庫GDB可以為社交類業務提供天然的圖模型支持，更加完美的匹配和理解您的數據。使用圖數據庫GDB，可以顯著提升社交類業務程序的開發效率和質量，減少數據模型轉換帶來的額外損耗。
1、數據模型
以社交領域公開數據集Twitter社交關系為例。更多信息，請參見數據模型參考下載。
圖數據庫GDB使用屬性圖模型來表示和處理數據，可以將數據模型抽象為下圖：
說明
- User：用戶節點。
- Follow：代表單向的好友關系。比如關注，或者是對方的粉絲。
示例數據如下：
- 點文件：
~id,name:string 1,a0e05a4a-65c0-11e9-a5ce-00163e0416f8 2,a0e05e28-65c0-11e9-a5ce-00163e0416f8 3,a0e05f86-65c0-11e9-a5ce-00163e0416f8 4,a0e0606c-65c0-11e9-a5ce-00163e0416f8 5,a0e0613e-65c0-11e9-a5ce-00163e0416f8 6,a0e06206-65c0-11e9-a5ce-00163e0416f8 - 邊文件：
~id,~from,~to,weight:double 212416660,1116299,4377946,0.443259 212416661,1116300,4377946,0.0303036 212416662,181406,4377946,0.753659 212416663,4084735,4377946,0.991974 212416664,1937755,4377946,0.79248
2、創建實例
3、數據導入
圖數據庫GDB支持從多種數據源將數據導入至圖數據庫GDB，您可以使用以下兩種方式進行數據導入：
4、連接實例
圖數據庫GDB支持多種方法連接實例，您可以通過以下五種方式連接實例：
- 通過GDB控制臺直接登錄數據管理服務DMS，更加方便快捷地遠程訪問、在線管理您的GDB數據庫。具體操作，請參見通過DMS登錄GDB數據庫。
- 通過開源組件GDB Console可視化控制臺登錄圖數據庫，可視化界面，操作簡單，并可根據業務需求對可視化界面進行二次開發。具體操作，請參見通過開源組件GDB Console登錄圖數據庫。
- 通過Gremlin Console連接實例，命令行模式，適合Gremlin內核版本，適合用于查詢語句性能優化。具體操作，請參見通過Gremlin Console連接實例。
- 通過Cypher Shell連接實例，命令行模式，適合Cypher內核版本。具體操作，請參見通過Cypher Shell連接實例 。
- 通過SDK連接，支持Java、Python、.Net、Go、Node.js五種SDK。具體操作，請參見SDK參考。
5、使用范例
- 簡單查詢
- 數據統計：
//統計點的數目 gremlin> g.V().count() ==>41999999 //統計邊的數目 gremlin> g.E().count() ==>22191165 - 過濾查詢、排序查詢：
//查詢name為a0e05a4a-65c0-11e9-a5ce-00163e0416f8的用戶。 gremlin> g.V().has('name','a0e05a4a-65c0-11e9-a5ce-00163e0416f8').valueMap(true) //條件查詢，類似select ... where ...，根據業務修改has()中的內容即可。 ==>[id:1,label:vertex,name:[a0e05a4a-65c0-11e9-a5ce-00163e0416f8]] //查詢name為a0e05a4a-65c0-11e9-a5ce-00163e0416f8的用戶的關注列表。 gremlin> g.V().has('name','a0e05a4a-65c0-11e9-a5ce-00163e0416f8').outE().valueMap(true) //條件查詢，類似select ... where ...，根據業務修改has()中的內容即可 ==>[id:217089344,label:edge,weight:0.769055] ==>[id:220429042,label:edge,weight:0.290449] ==>[id:227652991,label:edge,weight:0.962171] ==>[id:234881614,label:edge,weight:0.0887247] ==>[id:250193757,label:edge,weight:0.756271] ==>[id:252223359,label:edge,weight:0.990445] ==>[id:252494754,label:edge,weight:0.494867] ==>[id:254012304,label:edge,weight:0.788503] ==>[id:260893506,label:edge,weight:0.247677] ==>[id:228404583,label:edge,weight:0.0742597] ==>[id:243912806,label:edge,weight:0.906016] ==>[id:262031400,label:edge,weight:0.649892] //查詢name為a0e05a4a-65c0-11e9-a5ce-00163e0416f8的用戶的關注列表,并按照權重倒序排序。 gremlin> g.V().has('name','a0e05a4a-65c0-11e9-a5ce-00163e0416f8').outE().order().by('weight', decr).valueMap(true) //has()部分控制查詢條件，order().by()部分控制排序條件。 ==>[id:252223359,label:edge,weight:0.990445] ==>[id:227652991,label:edge,weight:0.962171] ==>[id:243912806,label:edge,weight:0.906016] ==>[id:254012304,label:edge,weight:0.788503] ==>[id:217089344,label:edge,weight:0.769055] ==>[id:250193757,label:edge,weight:0.756271] ==>[id:262031400,label:edge,weight:0.649892] ==>[id:310064671,label:edge,weight:0.639453] ==>[id:316084412,label:edge,weight:0.595669] ==>[id:277559997,label:edge,weight:0.538571] ==>[id:252494754,label:edge,weight:0.494867] ==>[id:291708246,label:edge,weight:0.387777] ==>[id:281304400,label:edge,weight:0.382627] ==>[id:310008546,label:edge,weight:0.333313] ==>[id:220429042,label:edge,weight:0.290449] ==>[id:260893506,label:edge,weight:0.247677] ==>[id:300018487,label:edge,weight:0.228707] ==>[id:234881614,label:edge,weight:0.0887247] ==>[id:289510146,label:edge,weight:0.078113] ==>[id:228404583,label:edge,weight:0.0742597]
- 數據統計：
- 通用場景：
- k階鄰居：
//查詢用戶ID為23的2跳關注關系。 gremlin> g.V(23).repeat(outE('edge').otherV().simplePath()).times(2).path() //outE()部分控制查詢邊類型，times()部分查詢深度。 ==>[v[23],e[239197952][23-edge->19201],v[19201],e[229218134][19201-edge->18246],v[18246]] ==>[v[23],e[239197952][23-edge->19201],v[19201],e[216091024][19201-edge->2586961],v[2586961]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[225145280][2587481-edge->1018015],v[1018015]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[284567757][2587481-edge->1022162],v[1022162]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[235313604][2587481-edge->10467758],v[10467758]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[265280161][2587481-edge->15350178],v[15350178]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[280654355][2587481-edge->1796334],v[1796334]] ......
- 最短路徑：
//查詢ID為23和ID為5924864 的最短路徑，最大深度為2。 gremlin> g.V(23).repeat(bothE().otherV().simplePath()) .until(hasId(5924864).or().loops().is(gt(2L))) //hasId()部分控制結束ID，gt()部分查詢深度。 .hasId(5924864).path().dedup() ==>[v[23],v[2587481],v[5924864]]
- 共同鄰居：
//查詢ID為23和ID為5924864的共同鄰居。 gremlin> g.V(23).repeat(bothE().otherV().simplePath()).times(2).hasId(5924864).path().dedup() //hasId()部分控制結束ID。 ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[267070009][5924864-edge->2587481],v[5924864]]
- 大V查找：
//社交場景中，大V往往是根據粉絲的數量來衡量，粉絲越多說明越受歡迎，我們要找到擁有粉絲最多的三個大V。 gremlin> g.V().project('user','degree').by().by(inE().count()).order().by(select('degree'), desc).limit(3) // by(inE().count()) 部分控制統計邏輯，order().by(select('degree'), desc).limit(3) 控制排序邏輯 ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[267070009][5924864-edge->2587481],v[5924864]] ==>[v[23],e[267069904][23-edge->2587481],v[2587481],e[316011732][2587481-edge->5924864],v[5924864]] ==>[user:v[1],degree:1090] ==>[user:v[24],degree:890] ==>[user:v[65],degree:768] - 協同推薦：
//推薦和ID為1的用戶，有共同鄰居的用戶，并按照共同鄰居的個數進行排序。 gremlin> g.V(1).both().aggregate("my_friend").both().has(id, neq(1)).as("ff") .flatMap(__.both().where(within("my_friend")).count()).as("comm_cnt").order().by(desc) .select("ff", "comm_cnt").dedup() ==>[ff:v[591712],comm_cnt:10] ==>[ff:v[60911],comm_cnt:10] ==>[ff:v[4470],comm_cnt:10] ==>[ff:v[47129],comm_cnt:10] ==>[ff:v[1],comm_cnt:10] ==>[ff:v[316284],comm_cnt:10] ==>[ff:v[472652],comm_cnt:9] ==>[ff:v[52057],comm_cnt:9] ==>[ff:v[531386],comm_cnt:9] ...
- k階鄰居：
6、 客戶效果
某社交領域互聯網公司，圖數據規模為點（用戶數據）1億，邊（社交關系）16億，之前通過MySQL存儲（32core，256GB），面臨MySQL查詢性能過低的問題，經常出現查詢超時。通過使用圖數據庫GDB，以用戶為節點、用戶在線狀態為屬性，好友關系為邊構建社交圖譜，查詢性能提升超過100倍，從超時提升到毫秒級。