【TuGraph文档】TuGraph 应用场景

原创小小亮 2023-07-07

259

应用场景

此文档主要介绍图数据库适用的应用场景。

1.金融领域

金融领域的实体主要涉及人、公司、账户、产品等，它们之间的关系包括交易关系、登录关系、股权关系、雇佣关系等。这些实体就构成了一张金融图数据网络。应用图数据库，我们可以从金融图数据网络里面发掘出大量有用信息，帮助我们做出更准确的金融决策。

场景	描述
贷款审核	通过分析申请人的关联关系、交易情况等辅助判断申请人的偿还能力和偿还意愿，可应用于零售贷款审核、小微贷款审核、供应链金融等。此方法可与传统的基于申请人自身信息的审核机制互补，在个体信息录覆盖较低的小微贷款审核中尤其有用。
贷后管理	通过分析借款人交易情况，辅助分析借款人是否有逾期风险。相比于传统只在贷款资金流向特定用户的情况下发出警报的方式不同，该方法可以给每个账户赋予一个风险值，并在贷款流向高风险账户时给出预警。
失联修复	通过分析失联贷款人的社交和购物数据，找出其它联系方式。该方法可以大幅改进失联修复率。
担保环检测	可在担保关系图中找出环状、链式、家族式、交叉等特殊担保结构，揭露潜在风险。相比于关系型数据库的JOIN方法，基于图算法的方案更高效，可以检测出任意长的担保环，且可以实现更复杂限定条件的检测。
信用卡团伙欺诈检测	构建信用卡申请信息中的地址、联系方式等关系网络，在申请关系网络中运行社区发现算法，可以检测出疑似欺诈的团伙，从而拒绝涉嫌欺诈的申请件，减少经济损失。
反洗钱	通过交易网络和介质网络，找出疑似洗钱的行为和链路。洗钱是一个复杂的多方参与的过程，通过在交易和社交网络中进行图分析，我们可以更精准的检测出洗钱行为。
车险反欺诈	针对有修理厂参与的骗保行为，通过分析被保人、案件地点和修理厂之间的关系，可以更精准的识别出骗保行为，减少经济损失。

2.工业领域

在生产和制造业过程中会产生大量异构数据，如何有效的组织和管理这些数据是工业大数据中最重要的问题之一。这些数据包括设计文档、设备数据、仿真方案和结果、实验结果、经验文档等等。这些数据之间关系错综复杂，传统的数据管理系统只能累积数据，而需要查找相关材料时则往往力不从心。使用图模型，将这些不同类型的数据组织成一张网络，就可以方便的浏览和查找数据。

场景	描述
供应链管理	供应链数据主要关心产品–部件–零件的对应关系，零件与供应商的对应关系，零件中的敏感成分。相比于传统的BOM 系统，使用图数据库的方案可以更方便的维护多个部件层次，多个供应商级别的复杂网络，从而为穿透式供应链提供基础支持。
文档管理	使用图数据库可以将不同类型的文档按不同的关系有机的组织在一起。例如将部件设计文档，部件–零件关系，部件测试文档，相关经验文档等组织起来，在需要查找时就可以方便的获取该部件的所有相关信息。
研发过程管理	产品研发和验证过程中需要进行大量仿真，试验和测试。每一个测试流程都会涉及大量不同的步骤，步骤之间的连接关系，每个步骤中使用的数据版本，算法版本等等就构成了一张复杂的关系网络。使用图数据库可以更好的管理这个关系网络，从而为研发过程中的数据复用，流程改进提供良好基础。
设备信息管理	制造业需要管理大量设备，设备之间又互相关联（供电关系，供料关系，空间关系），从而形成了一张复杂的网络。传统的数据库很难体现这种复杂关系。而使用图数据库则可以很方便的表示这些关系，从而更好的管理设备信息。

3.智慧城市

随着科技的发展，城市的智能化管理已成为一个大趋势。智能化管理需要建立在良好的信息管理平台之上，因此需要强大的系统软件做支撑。在智能化城市管理系统中，智能化决策系统需要基于大量不同信息做出决策，这些信息包括各种拓扑信息（道路，管线等），供求信息（电力输送，饮用水供应，污水排放等），环境信息（温度，湿度，雨量等）等等。要将这些复杂的异构数据有机的管理起来，并基于它们做出决策，就需要一个成熟的系统。传统的数据管理系统基于关系数据模型，并不适合管理这种复杂异构数据。而使用图模型就可以很好的解决这一问题。如果我们将这些不同的数据利用图数据库进行管理，就可以实现很多复杂的智能管理场景。

场景	描述
智能交通	基于道路拓扑，道路容量及当前流量，可以进行智能信号灯调度，从而提高通行效率。
智能排水	基于排水系统信息及当前雨量，可以对排水系统进行调度，从而减少内涝的产生。
管线管理	将管线的生产、安装、拓扑信息、以及历史状态信息有机组织起来，可以帮助我们对管线进行全周期管理，包括故障排查，寿命评估等。
人群疏散	大量人群需要疏散时，需要考虑公交、地铁、的士、共享单车等多种交通方式，同时还需要考虑道路承载量。使用图数据库将这些信息有机整合在一起，可以帮助我们更好的做出决策，以便为大型公共活动提供更好的支持。

4.社会治理

社会治理包括公共安全、法律事务、舆论、网络安全等多方面。社会治理是一个综合性的，多系统联动问题。它需要综合大量数据，全局考量才能做出更好的决策。在这种多维度复杂数据问题上，图数据模型可以提供更好的适应性，从而为智能化的社会治理决策平台提供坚实的基础。

场景	描述
犯罪团伙发现	合谋团伙必然会通过某些方式产生联系，这种联系包括面谈（出现在同一地点）、电话联系、或者互联网联系，他们还可能有经济往来。如果我们将这些数据统一存放在一张图中，我们就可以通过图分析算法查找出联系紧密的群体，从而发现和识别整个犯罪团伙。
涉众案件调查	涉众案件，特别是涉众经济案件往往涉及大量的人员和要素（货币，地点，事件等）。如何有效的组织这些资料，从而为办案提供证据支持是涉众案件调查的一个难点。使用图数据库来存储和分析这些资料，可以让我们快速定位资料，分析人员构成，为案件调查提供更好的技术支持。
违法网站甄别	违法网站、钓鱼网站、黄色网站等往往通过使用不同的域名和IP来避免被封杀。基于黑名单的过滤方法只能封禁已知的违法网站，无法对新出现的域名和IP进行有效甄别。基于IP-域名网络的映射关系，我们可以建立一张图，然后通过图计算建立起域名和IP的“可信度”模型，利用该模型来判断网站是否属于违法网站。
法院卷宗管理	卷宗往往错综复杂，不同的案件之间可能通过当事人产生联系，也可能通过案发地，案件性质，审判人员等产生联系。这些联系构成了一张复杂的网络。使用图数据库我们可以更方便的管理这些复杂关系，提高办案和查询效率。

5.互联网

社交网络，人-商品购买关系都能构成一张网络。通过分析这些网络数据，我们可以为用户提供更优质的服务，包括相关推荐，用户信息归集，重要用户识别，垃圾用户识别等等。

场景	描述
ID-Mapping	图数据库可以将用户相关的所有信息，包括用户之间的关系统一存储在一个数据库中，同时还能通过这些关系来找出疑似单人多号和多人一号的情况，从而为后期的风控、推荐等业务提供决策支持。
好友推荐	基于分析社交网络，我们可以提供“好友的好友”，“共同好友”等好友推荐。
商品推荐	基于用户-商品关系图，我们可以找出兴趣爱好类似的用户，向他们推荐类似用户选择的其他商品。
垃圾用户识别	传统的垃圾用户识别主要基于用户账号本身的信息，如期注册信息，发帖信息等，但是这些信息都比较容易伪造。而基于网络的信息则不存在这个问题：它们很难被伪造。因此基于网络信息的垃圾用户识别可以更加精准和高效。

tugraph

「喜欢这篇文章，您的关注和赞赏是给作者最好的鼓励」

关注作者