图数据库支持对图数据模型CRUD ，底层存储分为原生和非原生，支持对大图形数据的实时更新，同时支持查询，具有灵活的schema修改。图处理引擎引入免索引邻接，带来非常巨大的性能优势，而且得到的模型更简单，更具表现力。图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据，这与HDFS系统相反。同时图模型支持面向对象的思维。另外，很多图数据库都支持基于RDF的查询语言SPARQL，也支持基于路径的查询语言Gremlin。
图数据库建模最有用的地方就是，它和领域模型是完全同构的。
带标签的属性图（labeled property graph）是目前最流行的图模型形式。
带标签的属性图有几个特点：
1.包含节点和联系
1.1 节点上有属性，如成立日期、规模、地址等。
1.2 节点上有一个多个标签，比如小微、科技公司、中概股等。
1.3 联系有名字和线，并且总有一个开始节点和结束节点。
1.4 联系也有属性，比如关注、投资、控股等。通过在联系上添加属性，可以给图算法提供元数据，也可以给联系增加额外语义（比如权重、特性等），还可以用于运行时约束查询。
1.5 实践中，保证每个节点上都配有恰当的标签和属性，同时在节点间创建有命名的、有方向的、有属性的联系。
1、跨域模型
俗称-大图， 如单一关系不能满足，希望加入企业注册数据，来进行企业与人之间的管理分析。加入法律诉讼信息、舆情信息等，这样我们的图从一张小图变成了大图，也从只有一个领域（企业）的模型变成了多个领域的跨域模型。跨域模型有助于理解复杂的价值链背后的关联，不仅可以联合多个领域，而且每个领域的内容又能单独区分开。主要借助图数据里的2个概念：属性图和标签。属性图模型让不同的领域很容易联系起来，这样每个域都是可达的；标签既能表示不同节点在域中扮演的角色，又可以将它归属的节点和元数据结合起来。
2、建模时常见的陷阱
关键信息要作为点
注意情景模式
数据模型转化成业务
3、面向查询
建模就是利用图结构来描述问题的过程，面向查询设计：
1.描述使用模型的最终用户的需求
2.将需求转化为领域问题
3.明确领域内出现的节点和联系
4.把这些节点和联系翻译成查询语言
5.使用路径表达式，描述需要解决的问题
通用的小技巧：
常用的名字可以作为标签。
带有宾语的动词作为联系的名称。如sent、write、reply
公司名作为节点，用一个或多个属性来记录特点。
4、避免用反
不要把实体建成联系。联系主要是传达实体之间是如何相连的，以及这些联系的属性。很多时候，实体在日常对话和思维方式中不是立即可见的，需要仔细考虑需求描述中使用的每一个名词，避免建模时将实体错误的建成联系。
理解图的可扩展性也非常重要。增加一些实体和连接，小图可以扩展成跨域模型，其实也就是向数据库里灌入数据的过程。建模时，为了保证查询效率而混入数据元素的做法是不建议的，从问题出发来建模会更好。
图存储
图存储结构有两种，顺序存储结构（顺序表）和链式存储结构（链表）。顺序表的特点是把逻辑上相邻的结点存储在物理位置上相邻的存储单元中，结点之间的逻辑关系由存储单元的邻接关系来体现。而链表中元素之间的逻辑关系用指针实现。顺序表的存储空间需要预先分配，链表的存储空间是动态分配的。
1、邻接矩阵
图的邻接矩阵（Adjacency Matrix）存储方式是用两个数组来表示图，一个一维数组存储顶点信息，一个二维数组（邻接矩阵）存储边的信息。
设图G=(V, E)，其中V是图G中顶点的集合，E是图G中边的集合，通常用(vi, vj)表示无向边，用表示有向边。
存储表示
无向图的邻接矩阵是一个对称矩阵
无向图中某个顶点的度，就是这个顶点vi在邻接矩阵第i行（或者第i列）上的元素之和
有向图中某个顶点vi的入度，就是邻接矩阵中第i列的元素之和；vi的出度就是第i行的元素之和
不论在无向图还是有向图中，求vi的所有邻接点都是将矩阵第i行的元素遍历一遍，查找arc[i][j]为1的顶点
对于边数较少，顶点比较多的稀疏矩阵，会造成很严重的空间浪费。
2、邻接表
邻接表是一种数组与链表相结合的存储方法。
图中的顶点用一个一维数组存储，也可以用单链表，用数组读取顶点信息。在顶点数组中每个数据元素需要存储一个指向第一个邻接点的指针。可以表示为：| data | firstedge | 。
图中每个顶点vi的所有邻接点组成一个线性表，因为个数不定，用单链表存储。每个节点可以表示为：| adjvex | next |。
无向图中某个节点的度直接计算顶点对应的边表中节点的个数即可；但是在有向图中出度容易计算，入度不好计算。
有向图中如果对于入度是强需求，可以使用逆邻接表来存储。
判断两个顶点vi和vj是否存在关联，只需要到vi的边表中 adjvex域是否存在下标j即可。
优缺点
优点：对于稀疏图，邻接表比邻接矩阵更节约空间。
缺点：邻接表和逆邻接表分别擅长出度和入度的计算，对于入度和出度都需要遍历整个邻接表。
3、十字链表
顶点表的结构为：| data | firstin | firstout |。其中firstin为入边表的头指针，firstout为出边表的头指针。
边表节点的结构为：| tailvex | headvex | headlink | taillink |。 tailvex和headvex分别是指弧尾和弧头在顶点表的下标，headlink和taillink分别指终点相同和起点相同的下一条边。
优缺点
优点：整合了邻接表和逆邻接表，顶点的出度和入度都很容易计算。
缺点：数据结构相对复杂。
邻接多重表
十字链表是针对有向图的存储优化
针对无向图的存储优化就是邻接多重表。
顶点表的结构可以表示：| data | firstedge | 。
边表节点的结构为：| ivex | ilink | jvex | jlink |。ivex和jvex是指某条边依附的两个顶点在顶点表的下标。ilink和jlink分别指向依附顶点ivex和jvex的下一条边。
5、边集数组
边集数组用两个一维数组来存储图的，其中一个存储顶点，另外一个存储边。顶点数组不需要额外的指针，而边的数组中存储结构为| begin | end | weight |，begin和end分别表示边的起点和终点，weight是权重。
优点：适合对边进行依次处理
缺点：计算入度和出度需要扫描全表
