1. A Data Mining problem: This is t

1. A Data Mining problem: This is the case where we have an item set and some sort of (user) manipulation data about them. Using clustering and other methods, we want to find correlations and in turn related items in the set. This should almost always be done offline, and for the processing of large data sets in a reasonable amount of time we require techniques like MapReduce. When such frameworks are used, the functionality offered by neither relational nor graph databases are of any use (as mentioned by Sean Owen). Sequential access to the input set during computation, and basic techniques (like a key value store) for retrieving the computed recommendation data are sufficient.

2. An Information Retrieval problem: A recommendation problem need not always have to be concerned with finding connections between items within the data set, it can also be about traversing existing known connections. Typically for smaller data sets (still numbering in millions), where user manipulation data can be structured and recorded, MapReduce is not always the best solution. Other examples are social network - type data where connections between the data are as important as the data. Further, the recommendation system need not be completely offline, it can be quasi-online with proper pre/lazy computation strategies. I think it is in this context that the comparison between the performance of relational and graph databases must be made.

The graph data model allows storage of all the connections of the node along with the node, so that there is no additional step in computing connected data apart from reading the node into memory. The graph data model also prescribes that relationships have properties. Property rich relationships are absolutely critical when trying to explore connected data. The same constructs are achieved in relational databases using foreign keys, joins and join tables (Not going in depth into this since it is pretty standard info). These relational constructs end up as a part of the domain model, but not of the physical storage model (unless heavily optimized).

It is therefore quite obvious that the graph data model allows you to find interconnected data much faster and in a much more scalable manner as compared to the relational data model (think cascading reads of node(row) addresses vs. cascading joins on foreign keys). Most optimization techniques such as indexing can be applied equally well to both kinds of databases. This is the reason why the graph data model should perform much better than the relational data model in information retrieval - type recommendation problems.

Of course, when we talk about graph databases from different vendors, the requirements (CPU, RAM, storage), capabilities, reliability and product maturity vary greatly. Given the maturity of the graph databases on the market currently, I do not think it is a good idea to put production critical data in there, even if it is relevant for making recommendations (a relational data store is still the best for that). I would use a graph database as an efficient quasi-online data warehouse for highly interconnected data, a role in which it should surely outperform a relational database.

ผลลัพธ์ (ไทย) 1:

1. ปัญหาการทำเหมืองข้อมูล: นี้เป็นกรณีที่เรามีสินค้าตั้งและบางจัดเรียงของข้อมูลการจัดการ (ผู้ใช้) เกี่ยวกับพวกเขา ใช้วิธีการระบบคลัสเตอร์ และอื่น ๆ เราต้องการค้นหาความสัมพันธ์และเกี่ยวข้องในสินค้าชุด นี้ควรเกือบตลอดเวลาจะทำงานแบบออฟไลน์ และการประมวลผลของชุดข้อมูลขนาดใหญ่ในระยะเวลาที่เหมาะสม เราต้องใช้เทคนิคเช่น MapReduce เมื่อมีใช้กรอบดังกล่าว การทำงานนำเสนอ โดยไม่เชิงหรือฐานข้อมูลกราฟของการใช้ (ดังที่กล่าวแล้ว โดยฌอนโอเวน) เข้าถึงโดยลำดับการป้อนข้อมูลที่ตั้งค่าในระหว่างการคำนวณ และเทคนิคพื้นฐาน (เช่นการจัดเก็บค่าคีย์) สำหรับการดึงข้อมูลคำแนะนำจากการคำนวณเพียงพอได้ 2. การเรียกข้อมูลปัญหา: ปัญหาคำแนะนำต้องไม่มีให้กังวลกับการหาการเชื่อมต่อระหว่างรายการภายในชุดข้อมูล มันอาจเกี่ยวกับการเชื่อมต่อที่มีอยู่รู้จักการข้ามสิ่งกีดขวาง โดยทั่วไป สำหรับชุดข้อมูลขนาดเล็ก (ยังใส่ตัวเลขในหลักล้าน) สามารถจัดโครงสร้าง และบันทึกข้อมูลการจัดการผู้ใช้ MapReduce ได้เสมอสุด อื่น ๆ อย่างเครือข่ายสังคม - ชนิดของข้อมูลสำคัญเป็นข้อมูลเชื่อมต่อระหว่างข้อมูล เพิ่มเติม ระบบคำแนะนำไม่ต้องออฟไลน์อย่างสมบูรณ์ เป็นเสมือนออนไลน์ ด้วยกลยุทธ์ที่เหมาะสมก่อน/ขี้เกียจคำนวณ ผมคิดว่า อยู่ในบริบทนี้ที่ต้องทำการเปรียบเทียบระหว่างประสิทธิภาพของเชิงสัมพันธ์และฐานข้อมูลกราฟ แบบจำลองข้อมูลกราฟช่วยให้เก็บข้อมูลการเชื่อมต่อทั้งหมดของโหนกับโหน คือไม่มีขั้นตอนเพิ่มเติมในข้อมูลที่เชื่อมต่อคอมพิวเตอร์จากอ่านโหนลงในหน่วยความจำ แบบจำลองข้อมูลกราฟยังได้กำหนดว่า ความสัมพันธ์ที่มีคุณสมบัติ ความสัมพันธ์ที่เต็มไปด้วยคุณสมบัติมีความสำคัญอย่างแน่นอนเมื่อพยายามที่จะสำรวจข้อมูลเชื่อมต่อ โครงสร้างเดียวกันได้สำเร็จในฐานข้อมูลเชิงสัมพันธ์ที่ใช้คีย์ รวม และตารางรวม (ไม่ลึกเข้าไปนี้เป็นข้อมูลมาตรฐานสวย) โครงสร้างเหล่านี้สัมพันธ์กันท้ายส่วนรุ่นโดเมน แต่ไม่รูปแบบการจัดเก็บทางกายภาพจะเหมาะมาก)จึงค่อนข้างชัดเจนว่า แบบจำลองข้อมูลกราฟช่วยให้คุณสามารถค้นหาข้อมูลที่เชื่อมโยงถึงกันได้เร็วมาก และ ในลักษณะสามารถต่อขยายมากขึ้นเมื่อเทียบกับแบบจำลองข้อมูลเชิงสัมพันธ์ (คิดเรียงซ้อนอ่าน node(row) อยู่เทียบกับรวมน้ำตกบนคีย์) สามารถใช้เทคนิคการปรับให้เหมาะสมมากที่สุดเช่นดัชนีดีเท่า ๆ กัน ไปทั้งชนิดของฐานข้อมูลได้ นี่คือเหตุผลที่ทำไมแบบข้อมูลกราฟควรทำดีกว่าแบบจำลองข้อมูลเชิงสัมพันธ์ในการเรียกข้อมูล - ชนิดคำแนะนำปัญหา แน่นอน เมื่อเราพูดคุยเกี่ยวกับฐานข้อมูลกราฟจากผู้อื่น ความต้องการ (CPU, RAM จัดเก็บ) ความสามารถ ความน่าเชื่อถือและครบกำหนดผลิตภัณฑ์แตกต่างกันมาก กำหนดวันครบกำหนดของฐานข้อมูลกราฟในตลาดปัจจุบัน ไม่คิดจึงควรใส่ข้อมูลที่สำคัญผลิต มี แม้ว่ามันจะเกี่ยวข้องกับการแนะนำ (การจัดเก็บข้อมูลเชิงสัมพันธ์เป็นยังคงที่) ฉันจะใช้ฐานข้อมูลกราฟเป็นคลังสินค้ามีประสิทธิภาพเสมือนออนไลน์ข้อมูลข้อมูลมกราคมสูง บทบาทที่มันควรย่อมมีประสิทธิภาพสูงกว่าฐานข้อมูลเชิงสัมพันธ์

ผลลัพธ์ (ไทย) 2:

1. ปัญหาการทำเหมืองข้อมูล: นี่คือกรณีที่เรามีรายการที่กำหนดและการจัดเรียงของบางคน (ผู้ใช้) ข้อมูลการจัดการเกี่ยวกับพวกเขา การใช้การจัดกลุ่มและวิธีการอื่น ๆ ที่เราต้องการที่จะหาความสัมพันธ์และในรายการที่เกี่ยวข้องกับการเปิดในชุด นี้ควรมักจะทำได้แบบออฟไลน์และสำหรับการประมวลผลของชุดข้อมูลขนาดใหญ่ในจำนวนที่เหมาะสมของเวลาที่เราจำเป็นต้องใช้เทคนิคเช่น MapReduce เมื่อกรอบดังกล่าวจะใช้ฟังก์ชั่นที่นำเสนอโดยทั้งฐานข้อมูลเชิงสัมพันธ์หรือกราฟมีการใช้งานใด ๆ (ตามที่กล่าวไว้โดยฌอนโอเว่น) เข้าถึงลำดับที่จะใส่ชุดระหว่างการคำนวณและเทคนิคพื้นฐาน (เช่นการจัดเก็บค่าคีย์) สำหรับการดึงข้อมูลคำแนะนำการคำนวณมีเพียงพอ. 2 ปัญหาการดึงข้อมูล: ปัญหาข้อเสนอแนะความต้องการที่ไม่เคยต้องกังวลกับการหาการเชื่อมต่อระหว่างรายการภายในชุดข้อมูลก็ยังสามารถจะเกี่ยวกับการเชื่อมต่อภายในที่รู้จักกันที่มีอยู่ โดยทั่วไปสำหรับชุดข้อมูลขนาดเล็ก (ยังคงนับล้าน) ที่มีข้อมูลการจัดการผู้ใช้สามารถจะมีโครงสร้างและบันทึก MapReduce ไม่เคยทางออกที่ดีที่สุด ตัวอย่างอื่น ๆ ที่มีเครือข่ายทางสังคม - ชนิดข้อมูลที่เชื่อมต่อระหว่างข้อมูลที่มีความสำคัญเป็นข้อมูล นอกจากนี้ระบบคำแนะนำไม่จำเป็นต้องเป็นแบบออฟไลน์ได้อย่างสมบูรณ์ก็สามารถเป็นเสมือนออนไลน์ที่มีการเตรียมที่เหมาะสม / กลยุทธ์การคำนวณขี้เกียจ ผมคิดว่ามันอยู่ในบริบทนี้ที่เปรียบเทียบระหว่างประสิทธิภาพการทำงานของฐานข้อมูลเชิงสัมพันธ์และกราฟจะต้องทำ. กราฟรูปแบบข้อมูลที่ช่วยให้การจัดเก็บข้อมูลของการเชื่อมต่อทั้งหมดของโหนดพร้อมกับโหนดเพื่อให้ไม่มีขั้นตอนเพิ่มเติมในการใช้คอมพิวเตอร์ที่เชื่อมต่อ ข้อมูลที่นอกเหนือจากการอ่านโหนดในหน่วยความจำ กราฟรูปแบบข้อมูลยังกำหนดว่ามีความสัมพันธ์ที่มีคุณสมบัติ ทรัพย์สินที่อุดมไปด้วยความสัมพันธ์ที่มีความสำคัญอย่างยิ่งเมื่อพยายามที่จะสำรวจข้อมูลการเชื่อมต่อ โครงสร้างเดียวกันจะประสบความสำเร็จในฐานข้อมูลเชิงสัมพันธ์โดยใช้ปุ่มต่างประเทศเข้าร่วมและเข้าร่วมโต๊ะ (ไม่ไปในเชิงลึกในเรื่องนี้เพราะมันสวยข้อมูลมาตรฐาน) เหล่านี้สร้างความสัมพันธ์จบลงด้วยการเป็นส่วนหนึ่งของรูปแบบโดเมน แต่ไม่ได้ของรูปแบบการจัดเก็บข้อมูลทางกายภาพ (ยกเว้นกรณีที่ดีที่สุดอย่างหนัก). ดังนั้นจึงเป็นเรื่องค่อนข้างชัดเจนว่ารูปแบบกราฟข้อมูลช่วยให้คุณค้นหาข้อมูลที่เชื่อมต่อกันได้เร็วขึ้นมากและในการขยายขีดความสามารถมากขึ้น ลักษณะที่เมื่อเทียบกับแบบจำลองข้อมูลเชิงสัมพันธ์ (คิดซ้อนอ่านของโหนด (แถว) อยู่กับซ้อนร่วมบนแป้นต่างประเทศ) ส่วนใหญ่เทคนิคการเพิ่มประสิทธิภาพเช่นการจัดทำดัชนีสามารถนำมาใช้อย่างเท่าเทียมกันทั้งชนิดของฐานข้อมูล นี่คือเหตุผลว่าทำไมรูปแบบข้อมูลกราฟควรดำเนินการดีกว่าแบบจำลองข้อมูลเชิงสัมพันธ์ในการดึงข้อมูล. - ประเภทปัญหาข้อเสนอแนะแน่นอนว่าเมื่อเราพูดคุยเกี่ยวกับฐานข้อมูลกราฟจากผู้ขายที่แตกต่างกันตามความต้องการ(CPU, RAM, การเก็บรักษา) ความสามารถในการ น่าเชื่อถือและครบกำหนดสินค้าที่แตกต่างกันมาก ได้รับการครบกำหนดของฐานข้อมูลกราฟในตลาดปัจจุบันผมไม่คิดว่ามันเป็นความคิดที่ดีที่จะนำการผลิตข้อมูลที่สำคัญในนั้นแม้ว่าจะเป็นที่เกี่ยวข้องกับการให้คำแนะนำ (การจัดเก็บข้อมูลเชิงสัมพันธ์ยังคงเป็นสิ่งที่ดีที่สุดสำหรับที่) ฉันจะใช้ฐานข้อมูลเป็นกราฟที่มีประสิทธิภาพคลังข้อมูลเสมือนออนไลน์สำหรับข้อมูลที่เชื่อมต่อกันสูงมีบทบาทในสิ่งที่มันควรจะดีกว่าแน่นอนฐานข้อมูลเชิงสัมพันธ์

ผลลัพธ์ (ไทย) 3:

1 . ปัญหาการทำเหมืองข้อมูล : นี่คือกรณีที่เรามีชุดสินค้าบางประเภท ( ผู้ใช้ ) และจัดการข้อมูลเกี่ยวกับพวกเขา การใช้ข้อมูลและวิธีการอื่น ๆที่เราต้องการเพื่อค้นหาความสัมพันธ์และในการเปิดรายการที่เกี่ยวข้องในชุด นี่ก็เกือบจะเสร็จ ออฟไลน์ และการประมวลผลของข้อมูลชุดใหญ่ในเวลาเหมาะสม เราต้องมีเทคนิค เช่น mapreduce .เมื่อเรื่องที่เกี่ยวข้องใช้ ฟังก์ชันให้โดยไม่สัมพันธ์หรือกราฟฐานข้อมูลจะใช้ใด ๆ ( ตามที่ระบุไว้โดย ฌอน โอเว่น ) ลำดับการเข้าถึงข้อมูลตั้งค่าในการคำนวณและเทคนิคพื้นฐาน ( เช่นเก็บค่าคีย์ ) สำหรับการคำนวณแนะนำข้อมูลเพียงพอ

2 ปัญหาการดึงข้อมูล :ปัญหาข้อเสนอแนะ ต้องไม่ ต้องกังวลกับการหาความสัมพันธ์ระหว่างรายการในชุดข้อมูล นอกจากนี้ยังสามารถที่เรียกว่า traversing ที่มีอยู่เกี่ยวกับการเชื่อมต่อ โดยทั่วไปแล้วสำหรับชุดข้อมูลขนาดเล็ก ( ยังนับล้าน ) ที่ผู้ใช้สามารถจัดการข้อมูลที่มีโครงสร้างและบันทึก mapreduce ไม่ได้เสมอทางออกที่ดีที่สุดตัวอย่างอื่น ๆของเครือข่าย - ชนิดข้อมูลที่ความสัมพันธ์ระหว่างข้อมูลที่สำคัญเช่นข้อมูลทางสังคม เพิ่มเติม ระบบแนะนำไม่ต้องสมบูรณ์ครับ มันสามารถโดยออนไลน์กับที่เหมาะสมก่อน / ขี้เกียจกลยุทธ์การคำนวณได้ ฉันคิดว่ามันอยู่ในบริบทนี้การเปรียบเทียบประสิทธิภาพของฐานข้อมูลเชิงสัมพันธ์และกราฟจะต้องทำ

ข้อมูลกราฟรุ่นช่วยให้กระเป๋าของทุกการเชื่อมต่อของโหนดพร้อมกับปม ดังนั้นไม่มีเพิ่มเติมขั้นตอนในการคำนวณข้อมูลที่เชื่อมต่อนอกเหนือจากการอ่านโหนดลงในหน่วยความจำ ข้อมูลกราฟรูปแบบจะเน้นที่ความสัมพันธ์มีคุณสมบัติ ความสัมพันธ์ที่อุดมไปด้วยคุณสมบัติสำคัญอย่างยิ่งเมื่อพยายามที่จะสำรวจเชื่อมต่อข้อมูลเดียวกันสร้างสำเร็จในฐานข้อมูลเชิงสัมพันธ์โดยใช้คีย์ต่างประเทศเข้าร่วมและเข้าร่วมโต๊ะ ( ไม่ไปลึกลงไปในนี้เพราะมันเป็นมาตรฐานสวยข้อมูล ) เชิงโครงสร้างเหล่านี้สิ้นสุดขึ้นเป็นส่วนหนึ่งของโดเมนโมเดล แต่ไม่ใช่ของกระเป๋าแบบจำลองทางกายภาพ ( เว้นแต่การเพิ่มประสิทธิภาพอย่างมาก

)ดังนั้นจึงค่อนข้างชัดเจนว่า ข้อมูลในรูปแบบกราฟช่วยให้คุณค้นหาที่เชื่อมโยงข้อมูลได้เร็วขึ้นและในลักษณะที่ยืดหยุ่นกว่ามากเมื่อเทียบกับแบบจำลองข้อมูลเชิงสัมพันธ์ ( คิดว่าอ่านซ้อนปม ( แถว ) ที่อยู่กับ Cascading เข้าร่วมในคีย์ต่างประเทศ ) เทคนิคที่เหมาะสมที่สุด เช่น ดัชนีสามารถนำมาใช้อย่างดีทั้งชนิดของฐานข้อมูลนี่คือเหตุผลว่าทำไมข้อมูลกราฟโมเดล ควรทำให้ดีกว่าสัมพันธ์รูปแบบข้อมูลในการสืบค้นข้อมูล - ประเภทปัญหา ข้อเสนอแนะ

แน่นอน เมื่อเราพูดคุยเกี่ยวกับกราฟฐานข้อมูลจากผู้ขายที่แตกต่างกัน ความต้องการ ( CPU , RAM , กระเป๋า ) , ความสามารถ , ความน่าเชื่อถือและวุฒิภาวะของผลิตภัณฑ์ที่แตกต่างกันมาก ระบุจำนวนของกราฟฐานข้อมูลในตลาดในปัจจุบันผมไม่คิดว่ามันเป็นความคิดที่ดีที่จะให้ข้อมูลการผลิตที่สำคัญในนั้น แม้ว่าจะเป็นเกี่ยวข้องกับให้ข้อเสนอแนะ ( เก็บข้อมูลเชิงสัมพันธ์ยังคงเป็นที่ดีที่สุดสำหรับ ) ผมจะใช้กราฟฐานข้อมูลที่มีประสิทธิภาพสูงและข้อมูลออนไลน์คลังสินค้าเชื่อมโยงข้อมูล บทบาทที่ควร ย่อมดีกว่าเป็นฐานข้อมูลเชิงสัมพันธ์