Este documento proporciona una introducción a las bases de datos de grafos. Explica el origen de las bases de datos de grafos a través del problema de los puentes de Königsberg. Define los componentes básicos de un grafo como nodos, relaciones y propiedades. Describe las ventajas de las bases de datos de grafos sobre las relacionales como su capacidad para modelar datos conectados de forma natural y su mejor escalabilidad. Finalmente, presenta ejemplos de uso como redes sociales y sistemas de recomendación.

1. Graph Databases
A little connected tour
!
@fcofdezc

2. El origen

4. Dado el mapa de Königsberg, con el río Pregolya dividiendo
el plano en cuatro regiones distintas, que están unidas a
través de los siete puentes,
¿es posible dar un paseo comenzando desde cualquiera de
estas regiones, pasando por todos los puentes, recorriendo
sólo una vez cada uno, y regresando al mismo punto de
partida?

5. = (V, E)
ElG origen

6. ¿Qué es?

8. rda
Gua
a
Relaciones
e
Propiedades
Tie
n
e
Tie
n
Organiza
ard
Gu
Nodos
Grafo

9. Escrita en java
ACID
Interfaz REST
Cypher

10. ¿Por qué NOSQL?

11. Ventajas BD Relacionales

12. Ventajas de BD Relacionales
Concurrencia
Persistencia
Persistencia
Integración
Estándar

13. Ventajas de BD Relacionales
Concurrencia
Persistencia
Concurrencia
Integración
Estándar

14. Ventajas de BD Relacionales
Concurrencia
Persistencia
Integración
Integración
Estándar

15. Ventajas de BD Relacionales
Concurrencia
Persistencia
Estándar
Integración
Estándar

16. DESVentajas BD Relacionales

17. Fricción
El Origen

18. class Client < ActiveRecord::Base
has_one :address
has_many :orders
has_and_belongs_to_many :roles
end

19. DesVentajas de BD Relacionales
Fricción!
Interoperabilidad
Adaptación al cambio
Interoperabilidad
Escalabilidad
No está destinada para ciertos escenarios

20. Adaptación al cambio

21. !Escalabilidad

22. MySQL vs Neo4j
Profundidad Tiempo MySQL(s) Tiempo Neo4j (s)
Nº Resultados
2
3
0.016
30.267
0.01
0.168
~2500
~110,000
4
1543.505
1.359
~600,000
5
No Acaba
2.132
~800,000
* Neo4J in Action

23. El enfoque tradicional en el contexto
de datos conectados es artificial

24. Podemos trasladar el modelo del dominio
que estamos tratando de forma natural

26. Casos de uso

27. Redes Sociales
Sigue
Juan
Jose
Sigue
María

28. Problemas Geoespaciales
Detección de fraude
Gestión de permisos
Gestión de redes

29. Cypher
Lenguaje declarativo
ASCII oriented
Pattern matching

30. Cypher
Cypher
Traverser API
Core API
Kernel

31. Cypher
a
b
(a)-->(b)

32. Cypher
toca_en
clapton
cream
(clapton)-[:toca_en]->(cream)

33. Cypher
Sigue
Juan
Jose
Sigue
María
(juan:Persona)-[:sigue]->(jose:Persona)
!
(maria:Persona)-[:sigue]->(juan:Persona)

34. Cypher
toca_en
etiquetado
{fecha: 1968}
clapton
{nombre: Eric
Clapton}
cream
Blues
(clapton)-[:toca_en]->(cream)<-[:etiquetado]-(blues)

35. Cypher
MATCH (a)-—>(b)
RETURN a,b;

36. Cypher
MATCH (a)-[:TOCA_EN]—>(b)
RETURN a,b;

37. Cypher
MATCH (a)-[t:TOCA_EN]—>(g),
(g)<-[:ETIQUETADO]-(e)
RETURN a.nombre,
t.fecha,
e.nombre;

38. Cypher
START c=node:node_auto_index(nombre=‘clapton’)
MATCH (c)-[t:TOCA_EN]—>(g),
(g)<-[:ETIQUETADO]-(e)
RETURN c.nombre,
t.fecha,
e.nombre;

39. Cypher
START c=node:node_auto_index(nombre=‘clapton’)
e=node:node_auto_index(nombre=‘blues’)
MATCH (c)-[t:TOCA_EN]—>(g),
(g)<-[:ETIQUETADO]-(e)
RETURN c.nombre,
e.nombre
ORDER BY t.fecha

40. Cypher
START c=node:node_auto_index(nombre=‘clapton’)
e=node:node_auto_index(nombre=‘blues’)
MATCH (c)-[t:TOCA_EN | PRODUCE]—>(g),
(g)<-[:ETIQUETADO]-(e)
WHERE t.fecha > 1968
RETURN c.nombre,
e.nombre

41. Cypher
MATCH (juan)-[:CONOCE*5]—>(pepe)

42. START startNode=node:node_auto_index(name = ‘Sol'),
endNode=node:node_auto_index(name = ‘Cuzco')
MATCH p = (startNode)-[rels:CONNECTED_TO]->(endNode)
RETURN p AS shortestPath,
reduce(weight=0, r in rels: weight + r.weight) as tWeight
ORDER BY tWeight ASC
LIMIT 1

43. Sistema de
recomendación

44. Red social de cine

45. Red social de cine
Usuarios puntúan películas
Personas actúan en películas
Personas dirigen películas
Usuarios siguen a otros usuarios

46. Red social de cine
¿Cómo lo modelamos?

47. Red social de cine
Sigue
User
User
Puntúa
{nota}
Actua en
Film
Actor
Dirige
Director

48. Red social de cine
START fran=node:Persona(name='Fran'),
film=node:Peliculas(title=‘Pulp Fiction')
MATCH fran-[or:PUNTUA]->film<-[:PUNTUA]-otro_user-[r:PUNTUA]->otras_pelis
RETURN distinct otras_pelis.title;

49. Red social de cine
Puntúa
{nota}
Puntúa
{nota}
Film
Film
User 1
Fran
User 2
Puntúa
{nota}
Film
PF
Puntúa
{nota}
Puntúa
{nota}

50. Red social de cine
START fran=node:Persona(name='Fran'),
film=node:Peliculas(title=‘Pulp Fiction')
MATCH fran-[or:PUNTUA]->film<-[:PUNTUA]-otro_user-[r:PUNTUA]->otras_pelis
WHERE or.stars = r.stars
RETURN distinct otras_pelis.title;

51. Red social de cine
START fran=node:Persona(name='Fran'),
film=node:Peliculas(title=‘Pulp Fiction')
MATCH fran-[or:PUNTUA]->film<-[:PUNTUA]-otro_user-[r:PUNTUA]->otras_pelis,
otro_user-[:SIGUE]-fran
WHERE or.stars = r.stars
RETURN distinct otras_pelis.title;

52. Red social de cine
Puntúa
{nota}
Sigue
User 1
Puntúa
{nota}
Fran
Puntúa
{nota}
Film
PF
Film

53. Red social de cine
START tarantino=node:Persona(name='Quentin Tarantino')
MATCH tarantino-[:DIRIGE]->peli<-[:ACTUA_EN]-tarantino
RETURN movie.title;
!

54. Red social de cine
Actua en
Film
Actor
Dirige
Director

55. Red social de cine
Ahora se deben poder categorizar las películas

56. Red social de cine
Genero
Genero
Pertenece_a
Pertenece_a
SubGenero
SubGenero
Pertenece_a
Pertenece_a
Film

57. Red social de cine
START fran=node:Persona(name='Fran'),
film=node:Peliculas(title=‘Pulp Fiction')
MATCH fran-[or:PUNTUA]->film<-[:PUNTUA]-otro_user-[r:PUNTUA]->otras_pelis,
film-[:PERTENECE:*3]->genero<-[:PERTENECE]-otras_pelis
WHERE or.stars = r.stars
RETURN distinct otras_pelis.title;

58. Instead of just picking a relational database
because everyone does, we need to
understand the nature of the data we’re
storing and how we want to manipulate it.
Martin Fowler

59. Referencias

60. Neo4J as a service
http://www.graphenedb.com

61. Neo4J Spain
20 Febrero
http://www.meetup.com/graphdb-spain/

63. Gracias