ग्राफ डेटाबेस

ग्राफ़ डेटाबेस (जीडीबी) एक डेटाबेस है | जो नोड (ग्राफ़ सिद्धांत), एज (ग्राफ़ सिद्धांत), और डेटा को प्रदर्शित करने और संग्रहीत करने के लिए गुणों के साथ सिमेंटिक क्वेरी के लिए ग्राफ़ (डेटा संरचना) का उपयोग करता है। प्रणाली की प्रमुख अवधारणा ग्राफ़ (असतत गणित) (या किनारा या संबंध) है। ग्राफ स्टोर में डेटा आइटम को नोड्स और किनारों के संग्रह से संबंधित करता है | किनारों को नोड्स के बीच संबंधों का प्रतिनिधित्व करता है। सम्बन्ध स्टोर में डेटा को सीधे एक साथ जोड़ने की अनुमति देते हैं और कई स्थितियों में, संचालन के साथ पुनर्प्राप्त किए जाते हैं। ग्राफ़ डेटाबेस डेटा के बीच संबंधों को प्राथमिकता के रूप में रखते हैं। संबंधों को क्वेरी करना तेज़ है | क्योंकि वे डेटाबेस में स्थायी रूप से संग्रहीत होते हैं। ग्राफ़ डेटाबेस का उपयोग करके संबंधों को सहज रूप से देखा जा सकता है | जिससे वे अत्यधिक परस्पर जुड़े डेटा के लिए उपयोगी हो जाते हैं।

ग्राफ़ डेटाबेस को सामान्यतः नोएसक्यूएल कहा जाता है। ग्राफ़ डेटाबेस 1970 के दशक के नेटवर्क मॉडल डेटाबेस के समान हैं | जिसमें दोनों सामान्य ग्राफ़ का प्रतिनिधित्व करते हैं | किन्तु नेटवर्क-मॉडल डेटाबेस अमूर्तता (कंप्यूटर विज्ञान) के निचले स्तर पर काम करते हैं। और किनारों की श्रृंखला पर आसान ग्राफ ट्रैवर्सल की कमी है।

ग्राफ़ डेटाबेस का अंतर्निहित संग्रहण तंत्र भिन्न हो सकता है। सम्बन्ध ग्राफ़ डेटाबेस में प्रथम श्रेणी के नागरिक हैं और इन्हें लेबल, निर्देशित और गुण दिए जा सकते हैं। कुछ संबंधपरक इंजन पर निर्भर करते हैं और तालिका (डेटाबेस) में ग्राफ़ डेटा संग्रहीत करते हैं (चूँकि तालिका तार्किक तत्व है, इसलिए यह दृष्टिकोण ग्राफ़ डेटाबेस, ग्राफ़ डेटाबेस प्रबंधन प्रणाली और भौतिक उपकरणों के बीच अमूर्तता का एक और स्तर प्रयुक्त करता है जहां डेटा वास्तव में संग्रहीत है)। अन्य भंडारण के लिए एट्रिब्यूट-वैल्यू पेयर की-वैल्यू स्टोर या दस्तावेज़-उन्मुख डेटाबेस का उपयोग करते हैं | जिससे वे स्वाभाविक रूप से नोएसक्यूएल संरचनाएँ बन जाते हैं।

, किसी भी सार्वभौमिक ग्राफ़ क्वेरी भाषा को उसी तरह से नहीं अपनाया गया है जैसे एसक्यूएल संबंधपरक डेटाबेस के लिए था, और कई प्रकार की प्रणालियाँ हैं | जो अधिकांशतः उत्पाद से कसकर बंधी होती हैं। कुछ प्रारंभिक मानकीकरण प्रयासों से ग्रेमलिन (प्रोग्रामिंग भाषा), स्पार्कल और ग्राफ क्वेरी भाषा जैसी मल्टी-वेंडर क्वेरी भाषा बनती हैं। सितंबर 2019 में नई मानक ग्राफ़ क्वेरी भाषा (आईएसओ/आईईसी 39075 सूचना प्रौद्योगिकी डेटाबेस भाषाएँ जीक्यूएल) बनाने के लिए परियोजना के प्रस्ताव को आईएसओ/आईईसी संयुक्त विधि समिति 1 (आईएसओ/आईईसी जेटीसी 1) के सदस्यों द्वारा अनुमोदित किया गया था। ग्राफ़ क्वेरी भाषा का उद्देश्य एसक्यूएल की तरह घोषणात्मक डेटाबेस क्वेरी भाषा होना है। क्वेरी भाषा इंटरफेस होने के अतिरिक्त, कुछ ग्राफ डेटाबेस को अप्लिकेशन प्रोग्रामिंग अंतरफलक (एपीआई) के माध्यम से एक्सेस किया जाता है।

ग्राफ़ डेटाबेस ग्राफ़ कंप्यूट इंजन से भिन्न होते हैं। ग्राफ़ डेटाबेस ऐसी विधिया हैं | जो संबंधपरक ऑनलाइन लेनदेन प्रसंस्करण (ओएलटीपी) डेटाबेस के अनुवाद हैं। दूसरी ओर, थोक विश्लेषण के लिए ऑनलाइन विश्लेषणात्मक प्रसंस्करण (ओएलएपी) में ग्राफ कंप्यूट इंजन का उपयोग किया जाता है। ग्राफ डेटाबेस का उपयोग करने में प्रमुख प्रौद्योगिकी निगमों की सफलताओं के कारण, 2000 के दशक में ग्राफ डेटाबेस ने अधिक ध्यान आकर्षित किया था |

अध्ययन ने निष्कर्ष निकाला कि आरडीबीएमएस ग्राफ़ प्रश्नों को निष्पादित करने पर वर्तमान ग्राफ़ विश्लेषण इंजनों के प्रदर्शन के समान था।

इतिहास
1960 के दशक के मध्य में, आईबीएम के आईबीएम सूचना प्रबंधन प्रणाली जैसे नेविगेशनल डेटाबेस ने अपने पदानुक्रमित डेटाबेस मॉडल में ट्री (डेटा संरचना) जैसी संरचनाओं का समर्थन किया था |, किन्तु सख्त ट्री संरचना को वर्चुअल संग्रहित से दरकिनार किया जा सकता था।

1960 के दशक के अंत से नेटवर्क मॉडल डेटाबेस में ग्राफ संरचनाओं का प्रतिनिधित्व किया जा सकता है। कोडैसिल, जिसने 1959 में कोबोल को परिभाषित किया था, | 1969 में नेटवर्क डेटाबेस भाषा को परिभाषित किया था।

ग्राफ लेबलिंग को 1980 के दशक के मध्य से ग्राफ़ डेटाबेस में प्रदर्शित किया जा सकता है | जैसे लॉजिकल डेटा मॉडल है |

1990 के दशक की प्रारंभ में वाणिज्यिक वस्तु डेटाबेस (ओडीबीएमएस) का उदय हुआ था। 2000 में, वस्तु डेटा प्रबंधन समूह ने अपने ओडीएमजी'93 प्रकाशन में ऑब्जेक्ट और सम्बन्ध (ग्राफ़) संरचनाओं को परिभाषित करने के लिए मानक भाषा प्रकाशित की थी।

1990 के दशक की प्रारंभ में ग्राफ डेटाबेस में कई सुधार दिखाई दिए, 1990 के दशक के अंत में वेब पेजों को अनुक्रमित करने के प्रयासों में तेजी आई थी।

2000 के दशक के मध्य से अंत तक, एसीआईडी ​​​​गारंटियों के साथ वाणिज्यिक ग्राफ डेटाबेस जैसे कि निओ4ज और ओरेकल स्थानिक और ग्राफ़ उपलब्ध हो गए थे।

2010 के दशक में, वाणिज्यिक एसीआईडी ​​​​ग्राफ़ डेटाबेस जो स्केलेबिलिटी क्षैतिज और लंबवत स्केलिंग हो सकते थे, । इसके अतिरिक्त, सैप हाना ने इन-मेमोरी डेटाबेस और कॉलम-ओरिएंटेड डीबीएमएस विधियों को ग्राफ डेटाबेस में लाया गया था। इसके अतिरिक्त 2010 के दशक में, बहु-मॉडल डेटाबेस जो ग्राफ़ मॉडल (और अन्य मॉडल जैसे संबंधपरक डेटाबेस या दस्तावेज़-उन्मुख डेटाबेस) का समर्थन करते थे,| जैसे कि ओरिएंटडीबी, अरांगोडीबी और मार्कलॉजिक (इसके 7.0 संस्करण से प्रारंभ) उपलब्ध हो गए थे। इस समय, सोशल मीडिया कंपनियों के आगमन के साथ विभिन्न प्रकार के ग्राफ डेटाबेस सामाजिक नेटवर्क विश्लेषण के साथ विशेष रूप से लोकप्रिय हो गए हैं। साथ ही दशक के समय, क्लाउड कम्प्यूटिंग -आधारित ग्राफ़ डेटाबेस जैसे अमेज़न नेप्च्यून और निओ4ज लाइसेंसिंग और संस्करण उपलब्ध हो गए थे।

पृष्ठभूमि
ग्राफ़ डेटाबेस डेटा को चित्रित करते हैं | क्योंकि इसे अवधारणात्मक रूप से देखा जाता है। यह डेटा को नोड्स और उसके संबंधों को किनारों में स्थानांतरित करके पूरा किया जाता है।

ग्राफ़ डेटाबेस एक डेटाबेस है | जो ग्राफ़ सिद्धांत पर आधारित है। इसमें ऑब्जेक्ट्स का समुच्चय होता है, जो नोड या एज हो सकता है।


 * नोड संस्थाओं या उदाहरणों जैसे लोगों, व्यवसायों, खातों, या किसी अन्य आइटम को ट्रैक करने का प्रतिनिधित्व करते हैं। वे सामान्यतः संबंधपरक डेटाबेस में संग्रहित, संबंध या पंक्ति (डेटाबेस) के समान होते हैं, या दस्तावेज़-स्टोर डेटाबेस में दस्तावेज़ होते हैं।
 * किनारे, जिन्हें ग्राफ या सम्बन्ध भी कहा जाता है | वे रेखाएं हैं जो नोड्स को अन्य नोड्स से जोड़ती हैं | उनके बीच संबंध का प्रतिनिधित्व करते हैं। नोड्स, गुण और किनारों के सम्बन्ध और इंटर सम्बन्ध की जांच करते समय सार्थक प्रतिरूप सामने आते हैं। किनारों को या तो निर्देशित या अप्रत्यक्ष किया जा सकता है। अप्रत्यक्ष ग्राफ में, दो नोड्स को जोड़ने वाले किनारे का एक ही अर्थ होता है। निर्देशित ग्राफ में, दो अलग-अलग नोड्स को जोड़ने वाले किनारों के अलग-अलग अर्थ होते हैं | जो उनकी दिशा पर निर्भर करता है। किनारे ग्राफ़ डेटाबेस में प्रमुख अवधारणा हैं | अमूर्तता का प्रतिनिधित्व करते हैं | जो सीधे संबंधपरक मॉडल या दस्तावेज़-उन्मुख डेटाबेस मॉडल में प्रयुक्त नहीं होता है।
 * गुण नोड्स से संबंधित जानकारी हैं। उदाहरण के लिए, यदि विकिपीडिया नोड्स में से एक था, तो यह वेबसाइट, संदर्भ सामग्री, या अक्षर w से प्रारंभ होने वाले शब्द जैसी गुण से बंधा हो सकता है | जो निर्भर करता है | किसी दिए गए डेटाबेस के लिए 'विकिपीडिया' के कौन से पहलू प्रासंगिक हैं।

लेबल-गुण ग्राफ
लेबल-गुण ग्राफ़ मॉडल को नोड्स, सम्बन्ध, गुण और लेबल के समुच्चय द्वारा दर्शाया जाता है। डेटा और उनके संबंधो के दोनों नोड्स का नाम दिया गया है और एट्रिब्यूट-वैल्यू पेयर की-वैल्यू पेयर द्वारा दर्शाए गए गुणों को स्टोर कर सकते हैं। नोड्स को समूहीकृत करने के लिए लेबल किया जा सकता है। संबंधों का प्रतिनिधित्व करने वाले किनारों में दो गुण होते हैं: उनके पास सदैव प्रारंभ नोड और अंत नोड होता है, और निर्देशित होता है \ ग्राफ़ को निर्देशित ग्राफ बनाना संबंधो में गुण भी हो सकते हैं। यह नोड्स के संबंधों को अतिरिक्त मेटाडेटा और शब्दार्थ प्रदान करने में उपयोगी है। संबंधों का प्रत्यक्ष भंडारण समय जटिलता लगातार समय निरंतर-समय ग्राफ़ ट्रैवर्सल की अनुमति देता है।

संसाधन विवरण फ्रेमवर्क (आरडीएफ)
आरडीएफ (कंप्यूटर साइंस) ग्राफ मॉडल में, सूचना का जोड़ प्रत्येक को अलग नोड के साथ दर्शाया जाता है। उदाहरण के लिए, ऐसे परिदृश्य की कल्पना करें जहां उपयोगकर्ता को ग्राफ़ में विशिष्ट नोड के रूप में दर्शाए गए व्यक्ति के लिए नाम गुण जोड़ना है। लेबल-गुण ग्राफ़ मॉडल में, यह व्यक्ति के नोड में नाम गुण के अतिरिक्त के साथ किया जाएगा। चूँकि, आरडीएफ में, उपयोगकर्ता को अलग नोड जोड़ना पड़ता है जिसे कहा जाता है  इसे मूल व्यक्ति नोड से जोड़ना होता है। विशेष रूप से, आरडीएफ ग्राफ़ मॉडल नोड्स और आर्क्स से बना होता है। आरडीएफ ग्राफ संकेतन या बयान द्वारा दर्शाया गया है | विषय के लिए नोड, वस्तु के लिए नोड, और विधेय के लिए चाप नोड खाली छोड़ा जा सकता है,| शाब्दिक (कंप्यूटर प्रोग्रामिंग) और/या यूनिफॉर्म रिसोर्स पहचानकर्ता द्वारा पहचाना जा सकता है। यूआरआई द्वारा चाप की पहचान भी की जा सकती है। नोड के लिए शाब्दिक दो प्रकार का हो सकता है | सादा (अनटाइप्ड) और टाइप किया हुआ था। शाब्दिक रूप और वैकल्पिक रूप से भाषा टैग होता है। एक टाइप किया हुआ शाब्दिक यूआरआई के साथ स्ट्रिंग से बना होता है | जो विशेष डेटाटाइप की पहचान करता है। डेटा में यूनिफ़ॉर्म रिसोर्स आइडेंटिफ़ायर नहीं होने पर डेटा की स्थिति को स्पष्ट रूप से दर्शाने के लिए खाली नोड का उपयोग किया जा सकता है ।

गुण
ग्राफ़ डेटाबेस ग्राफ़ जैसी क्वेरीज़ के लिए शक्तिशाली उपकरण है। उदाहरण के लिए, ग्राफ़ में दो नोड्स के बीच सबसे छोटे पथ की गणना करना होता है। अन्य ग्राफ़-जैसी क्वेरी को ग्राफ़ डेटाबेस पर प्राकृतिक विधि से निष्पादित किया जा सकता है (उदाहरण के लिए ग्राफ़ के व्यास संगणना या सामुदायिक पहचान)।

ग्राफ़ लचीले होते हैं, जिसका अर्थ है कि यह उपयोगकर्ता को एप्लिकेशन कार्यक्षमता के हानि के बिना वर्तमान ग्राफ़ में नया डेटा सम्मिलित करने की अनुमति देता है। डेटाबेस के भविष्य के उपयोग के स्थितियों के व्यापक विवरण की योजना बनाने के लिए डेटाबेस के डिजाइनर की कोई आवश्यकता नहीं है।

भंडारण
ग्राफ़ डेटाबेस का अंतर्निहित संग्रहण तंत्र भिन्न हो सकता है। कुछ संबंधपरक इंजन पर निर्भर करते हैं और तालिका (डेटाबेस) में ग्राफ़ डेटा संग्रहीत करते हैं | (चूँकि तालिका तार्किक तत्व है | इसलिए यह दृष्टिकोण ग्राफ़ डेटाबेस, ग्राफ़ डेटाबेस प्रबंधन प्रणाली और भौतिक उपकरणों के बीच अमूर्तता का एक और स्तर प्रयुक्त करता है | जहां डेटा वास्तव में संग्रहीत है) अन्य भंडारण के लिए एट्रिब्यूट-वैल्यू पेयर की-वैल्यू स्टोर या दस्तावेज़-उन्मुख डेटाबेस का उपयोग करते हैं,| जिससे वे स्वाभाविक रूप से नोएसक्यूएल संरचनाएँ बन जाते हैं। नोड को किसी भी अन्य दस्तावेज़ स्टोर के रूप में दर्शाया जाएगा, किन्तु दो अलग-अलग नोड्स को जोड़ने वाले किनारे इसके दस्तावेज़ के अंदर विशेष गुण रखते हैं |

अनुक्रमणिका-मुक्त निकटता
डेटा लुकअप प्रदर्शन विशेष नोड से दूसरे तक पहुंच गति पर निर्भर है। चूंकि डाटाबेस इंडेक्स-फ्री आसन्नता नोड्स को प्रत्यक्ष भौतिक रैंडम एक्सेस मेमोरी पतों के लिए प्रयुक्त करती है और भौतिक रूप से अन्य आसन्न नोड्स को संकेत करती है |, इसका परिणाम तेजी से पुनर्प्राप्ति में होता है। नोड्स के बीच लिंक खोजने के लिए इंडेक्स-फ्री आसन्नता के साथ देशी ग्राफ प्रणाली को किसी अन्य प्रकार की डेटा संरचनाओं के माध्यम से स्थानांतरित करने की आवश्यकता नहीं है। एक बार नोड्स में से किसी को पुनर्प्राप्त करने के बाद, ग्राफ में सीधे संबंधित नोड्स को कैशे (कंप्यूटिंग) में संग्रहीत किया जाता है | जिससे उपयोगकर्ता द्वारा पहली बार नोड प्राप्त करने की तुलना में डेटा लुकअप और भी तेज हो जाता है। चूँकि, ऐसा लाभ n इवेश पर आता है। अनुक्रमणिका-मुक्त आसन्नता ग्राफ़ ट्रैवर्सल का उपयोग नहीं करने वाले प्रश्नों की दक्षता का त्याग करती है। मूल ग्राफ़ डेटाबेस संग्रहीत डेटा पर सीआरयूडी संचालन को संसाधित करने के लिए अनुक्रमणिका-मुक्त आसन्नता का उपयोग करते हैं।

अनुप्रयोग
डेटा के प्रकार के अनुसार ग्राफ़ की कई श्रेणियां पहचानी गई हैं। गार्टनर ग्राफ़ की पाँच व्यापक श्रेणियों का सुझाव देता है |
 * सामाजिक ग्राफ यह लोगों के बीच संबंधों के बारे में है | उदाहरणों फेसबुक, ट्विटर, और छह डिग्री अलगाव का विचार में सम्मिलित हैं |
 * आशय ग्राफ: यह तर्क और प्रेरणा से संबंधित है।
 * खपत ग्राफ: भुगतान ग्राफ के रूप में भी जाना जाता है | खुदरा उद्योग में खपत ग्राफ का अत्यधिक उपयोग किया जाता है। अमेज़ॅन, ईबे और वॉलमार्ट जैसी ई-कॉमर्स कंपनियां व्यक्तिगत ग्राहकों की खपत को ट्रैक करने के लिए खपत के ग्राफ का उपयोग करती हैं।
 * रुचि ग्राफ: यह किसी व्यक्ति के हितों को दर्शाता है और अधिकांशतः सामाजिक ग्राफ द्वारा पूरक होता है। इसमें वेबपृष्ठों को अनुक्रमित करने के अतिरिक्त रुचि के आधार पर वेब मैपिंग द्वारा वेब संगठन की पिछली क्रांति का अनुसरण करने की क्षमता है।
 * मोबाइल ग्राफ: यह मोबाइल डेटा से बनाया गया है। भविष्य में मोबाइल डेटा में वेब, एप्लिकेशन, डिजिटल वॉलेट, जीपीएस और चीजों की इंटरनेट (आईओटी) उपकरणों का डेटा सम्मिलित हो सकता है।

संबंधपरक डेटाबेस के साथ तुलना
संबंधपरक मॉडल पर एडगर एफ. कॉड के 1970 के पेपर के बाद से, संबंधपरक डेटाबेस बड़े मापदंड पर डेटा स्टोरेज प्रणाली के लिए वास्तविक उद्योग मानक रहे हैं। संबंधपरक मॉडल को सख्त स्कीमा और डेटा सामान्यीकरण की आवश्यकता होती है | जो डेटा को कई तालिकाओं में अलग करता है और डेटाबेस के अंदर किसी भी डुप्लिकेट डेटा को हटा देता है। डेटा स्थिरता को बनाए रखने और एसीआईडी ​​​​(कंप्यूटर साइंस) का समर्थन करने के लिए डेटा को सामान्यीकृत किया जाता है। चूँकि यह इस बात पर सीमाएँ लगाता है कि संबंधो को कैसे समझा जा सकता है।

संबंधपरक मॉडल की रचना प्रेरणाओं में से तेज़ पंक्ति-दर-पंक्ति पहुँच प्राप्त करना था। समस्याएँ तब उत्पन्न होती हैं जब संग्रहीत डेटा के बीच जटिल संबंध बनाने की आवश्यकता होती है। चूँकि संबंधपरक मॉडल के साथ संबंधों का विश्लेषण किया जा सकता है | कई तालिकाओं पर कई अलग-अलग विशेषताओं पर कई सम्मिलित संचालन करने वाले जटिल प्रश्नों की आवश्यकता होती है। संबंधपरक मॉडल के साथ काम करने में, विदेशी कुंजी बाधाओं पर भी विचार किया जाना चाहिए, जब संबंधो को पुनः प्राप्त करना, अतिरिक्त ओवरहेड का कारण बनता है।

संबंधपरक डेटाबेस की तुलना में, ग्राफ़ डेटाबेस अधिकांशतः साहचर्य डेटा समुच्चय के लिए तेज़ होते हैं और ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग एप्लिकेशन की संरचना के लिए अधिक सीधे मैप करें। वे अधिक स्वाभाविक रूप से स्केल कर सकते हैं | बड़े डेटासमुच्चय के लिए क्योंकि उन्हें सामान्यतः सम्मिलित हों (एसक्यूएल) संचालन की आवश्यकता नहीं होती है | जो अधिकांशतः महंगा हो सकता है। जैसा कि वे कठोर स्कीमा पर कम निर्भर करते हैं | उन्हें विकसित स्कीमा के साथ तदर्थ और बदलते डेटा को प्रबंधित करने के लिए अधिक उपयुक्त के रूप में विपणन किया जाता है।

इसके विपरीत, संबंधपरक डेटाबेस प्रबंधन प्रणालियां सामान्यतः बड़ी संख्या में डेटा तत्वों पर एक ही संचालन करने में तेज होती हैं | जिससे डेटा की प्राकृतिक संरचना में हेरफेर की अनुमति मिलती है। ग्राफ डेटाबेस के लाभ और वर्तमान की लोकप्रियता के अतिरिक्त संबंधपरक डेटाबेस, यह अनुशंसा की जाती है कि ग्राफ़ मॉडल ही वर्तमान संबंधपरक डेटाबेस को बदलने का एकमात्र कारण नहीं होना चाहिए। ग्राफ़ डेटाबेस प्रासंगिक हो सकता है | यदि परिमाण और कम विलंबता के क्रम में प्रदर्शन में सुधार के लिए कोई प्रमाण हो।

उदाहरण
संबंधपरक मॉडल डेटा में जानकारी का उपयोग करके डेटा को एक साथ इकट्ठा करता है। उदाहरण के लिए, कोई उन सभी उपयोगकर्ताओं को खोज सकता है | जिनके फ़ोन नंबर में क्षेत्र कोड 311 है। यह स्ट्रिंग 311 के लिए चयनित फोन नंबर फ़ील्ड में देखकर चयनित डेटास्टोर्स, या टेबल (डेटाबेस) को खोजकर किया जाएगा। यह बड़ी तालिकाओं में समय लेने वाली प्रक्रिया हो सकती है | इसलिए संबंधपरक डेटाबेस इंडेक्स प्रदान करते हैं,| जो डेटा को एक छोटी उप-तालिका में संग्रहीत करने की अनुमति देते हैं,| जिसमें केवल चयनित डेटा और संग्रहित की कुंजी (या प्राथमिक कुंजी) होती है। यदि फ़ोन नंबरों को अनुक्रमित किया जाता है, तो समान खोज छोटी अनुक्रमणिका तालिका में होगी, मेल खाने वाले संग्रहित की कुंजियों को एकत्रित करना, और फिर उन कुंजियों वाले संग्रहित के लिए मुख्य डेटा तालिका में देखना। सामान्यतः, टेबल को इस तरह से स्टोर किया जाता है जिससे कुंजी के माध्यम से लुकअप बहुत तेज हो जाता है।

संबंधपरक डेटाबेस में स्वाभाविक रूप से संग्रहित के बीच निश्चित संबंधों का विचार नहीं होता है। इसके अतिरिक्त, संबंधित डेटा को संग्रहित की अद्वितीय कुंजी को दूसरे संग्रहित के डेटा में संग्रहीत करके एक दूसरे से जोड़ा जाता है। उदाहरण के लिए, उपयोगकर्ताओं के लिए ईमेल पते वाली तालिका में डेटा आइटम हो सकता है \ जिसे कहा जाता है |, जिसमें उस उपयोगकर्ता संग्रहित की प्राथमिक कुंजी होती है | जिससे वह संबद्ध है। उपयोगकर्ताओं और उनके ईमेल पतों को लिंक करने के लिए, प्रणाली पहले चयनित उपयोगकर्ता संग्रहित प्राथमिक कुंजियों को देखता है | उन कुंजियों को खोजता है |   ईमेल तालिका में कॉलम (या, अधिक संभावना है, उनमें से अनुक्रमणिका), ईमेल डेटा को निकालता है, और फिर सभी चयनित डेटा वाले समग्र संग्रहित बनाने के लिए उपयोगकर्ता और ईमेल संग्रहित को लिंक करता है। ज्वाइन (एसक्यूएल) नामक इस संचालन को कम्प्यूटेशनल रूप से महंगा हो सकता है। क्वेरी की जटिलता, जुड़ने की संख्या और विभिन्न चाबियों को अनुक्रमणित करने के आधार पर, प्रणाली को कई तालिकाओं और अनुक्रमितों के माध्यम से खोजना पड़ सकता है और फिर इसे एक साथ मिलान करने के लिए क्रमबद्ध करना पड़ सकता है।

इसके विपरीत, ग्राफ़ डेटाबेस सीधे संग्रहित के बीच संबंधों को संग्रहीत करते हैं। जिसमें अपने उपयोगकर्ता की कुंजी को देखकर ईमेल पता खोजने के अतिरिक्त  स्तंभ, उपयोगकर्ता संग्रहित में सूचक होता है | जो सीधे ईमेल पता संग्रहित को संदर्भित करता है। अर्थात्, उपयोगकर्ता का चयन करने के बाद, पॉइंटर को सीधे ईमेल संग्रहित तक पहुँचाया जा सकता है | मेल खाने वाले संग्रहित को खोजने के लिए ईमेल तालिका को खोजने की कोई आवश्यकता नहीं है। यह महंगे ज्वाइन ऑपरेशंस को खत्म कर सकता है। उदाहरण के लिए, यदि कोई क्षेत्र कोड 311 में उपयोगकर्ताओं के लिए सभी ईमेल पतों की खोज करता है, तो इंजन पहले 311 में उपयोगकर्ताओं को खोजने के लिए पारंपरिक खोज करेगा, किन्तु फिर उन संग्रहित में पाए गए लिंक का अनुसरण करके ईमेल पते को पुनः प्राप्त करेगा। संबंधपरक डेटाबेस पहले 311 में सभी उपयोगकर्ताओं को खोजेगा, प्राथमिक कुंजियों की सूची निकालेगा, उन प्राथमिक कुंजियों के साथ ईमेल तालिका में किसी भी संग्रहित के लिए दूसरी खोज करेगा, और मेल खाने वाले संग्रहित को एक साथ लिंक करेगा। इस प्रकार के सामान्य कार्यों के लिए, ग्राफ़ डेटाबेस सैद्धांतिक रूप से तेज़ होंते है।

ग्राफ़ दृष्टिकोण का सही मूल्य तब स्पष्ट हो जाता है | जब कोई ऐसी खोज करता है | जो स्तर से अधिक गहरी होती है। उदाहरण के लिए, 311 क्षेत्र कोड में उन उपयोगकर्ताओं की खोज पर विचार करें जिनके ग्राहक हैं |(उपयोगकर्ताओं को अन्य उपयोगकर्ताओं से जोड़ने वाली तालिका)। इस स्थिति में संबंधपरक डेटाबेस को पहले 311 में क्षेत्र कोड वाले सभी उपयोगकर्ताओं को खोजना होता है | फिर उन उपयोगकर्ताओं में से किसी के लिए सब्सक्राइबर तालिका की खोज करनी होती है, और फिर अंत में मिलान करने वाले उपयोगकर्ताओं को पुनः प्राप्त करने के लिए उपयोगकर्ता तालिका को खोजना होता है। इसके विपरीत, ग्राफ डेटाबेस 311 में सभी उपयोगकर्ताओं के लिए खोज करेगा, फिर ग्राहक संबंध के माध्यम से ग्राहक उपयोगकर्ताओं को खोजने के लिए बैकलिंक का पालन करेगा। यह कई खोजों, लुक-अप और आउटपुट के निर्माण के लिए आवश्यक कई संग्रहित से सभी अस्थायी डेटा को होल्ड करने में सम्मिलित मेमोरी उपयोग से बचा जाता है। बिग ओ नोटेशन के संदर्भ में, यह प्रश्न होगा $$O(\log n) + O(1)$$ समय - अर्थात, डेटा के आकार के लघुगणक के समानुपाती होता है | इसके विपरीत, संबंधपरक संस्करण एकाधिक होगा $$O(\log n)$$ लुकअप, साथ ही सभी डेटा संग्रहित में सम्मिलित होने के लिए आवश्यक समय होता है।

ग्राफ़ पुनर्प्राप्ति का सापेक्ष लाभ क्वेरी की जटिलता के साथ बढ़ता है। उदाहरण के लिए, कोई उस अभिनेता के साथ पनडुब्बियों के बारे में उस फिल्म को जानना चाह सकता है | जो उस फिल्म में उस अन्य अभिनेता के साथ थी | जिसने गॉन विद द विंड (फिल्म) में मुख्य भूमिका निभाई थी। इसके लिए पहले प्रणाली को गॉन विद द विंड में अभिनेताओं को खोजने की आवश्यकता होती है | उन सभी फिल्मों को ढूंढें जिनमें वे थे, उन सभी फिल्मों में सभी अभिनेताओं को खोजें जो गॉन विद द विंड में प्रमुख नहीं थे, और फिर सभी फिल्मों को खोजें वे अंत में उस सूची को उन लोगों के लिए फ़िल्टर कर रहे थे | जिनमें पनडुब्बी वाले विवरण थे। संबंधपरक डेटाबेस में, इसके लिए फिल्मों और अभिनेताओं की तालिकाओं के माध्यम से कई अलग-अलग खोजों की आवश्यकता होगी, पनडुब्बी फिल्मों पर एक और खोज करना, उन फिल्मों में सभी अभिनेताओं को ढूंढना और फिर (बड़े) एकत्रित परिणामों की तुलना करना। इसके विपरीत, ग्राफ डेटाबेस गॉन विद द विंड से क्लार्क गेबल तक चलेगा, उन फिल्मों के लिंक इकट्ठा करेगा जिनमें वह रहा है, उन फिल्मों के लिंक को अन्य अभिनेताओं के लिए इकट्ठा करेगा, और फिर उन अभिनेताओं के लिंक का अनुसरण करेगा फिल्मों की सूची फिल्मों की परिणामी सूची को पनडुब्बी के लिए खोजा जा सकता है। यह सब खोज के माध्यम से किया जा सकता है।

गुण इस संरचना में अमूर्तता (कंप्यूटर विज्ञान) की एक और परत जोड़ते हैं | जो कई सामान्य प्रश्नों को भी सुधारता है। गुण अनिवार्य रूप से लेबल होते हैं | जिन्हें किसी भी संग्रहित पर या कुछ स्थितियों में किनारों पर भी प्रयुक्त किया जा सकता है। उदाहरण के लिए, कोई क्लार्क गेबल को अभिनेता के रूप में लेबल कर सकता है | जो तब निर्देशक या कैमरा संचालन के विपरीत, प्रणाली को अभिनेताओं के सभी संग्रहित को जल्दी से खोजने की अनुमति देगा। यदि किनारों पर लेबल की अनुमति है, तो गॉन विद द विंड और क्लार्क गेबल के बीच संबंधों को लीड के रूप में भी लेबल किया जा सकता है, और गॉन विद द विंड मूवी में मुख्य अभिनेता लोगों पर खोज करके, डेटाबेस विवियन लेह का उत्पादन करेगा, ओलिविया देहविलैंड और क्लार्क गेबल समतुल्य एसक्यूएल क्वेरी को लोगों और फिल्मों को जोड़ने वाली तालिका में जोड़े गए डेटा पर निर्भर रहना होगा, जिससे क्वेरी सिंटैक्स में और जटिलता आ जाएगी। इस प्रकार के लेबल कुछ परिस्थितियों में खोज प्रदर्शन में सुधार कर सकते हैं, किन्तु अंतिम उपयोगकर्ताओं के लिए अतिरिक्त सिमेंटिक डेटा प्रदान करने में सामान्यतः अधिक उपयोगी होते हैं।

संबंधपरक डेटाबेस फ्लैट डेटा लेआउट के लिए बहुत उपयुक्त हैं | जहां डेटा के बीच संबंध एक या दो स्तर गहरे होते हैं। उदाहरण के लिए, लेखा डेटाबेस को किसी दिए गए ग्राहक के लिए सभी चालानों के लिए सभी पंक्ति वस्तुओं को देखने की आवश्यकता हो सकती है | तीन-जुड़ने वाली क्वेरी ग्राफ़ डेटाबेस उन डेटासमुच्चय्स के लिए लक्षित होते हैं | जिनमें कई और लिंक होते हैं। वे सामाजिक नेटवर्किंग प्रणाली के लिए विशेष रूप से उपयुक्त हैं | जहां दोस्तों का सम्बन्ध अनिवार्य रूप से अबाधित है। ये गुण ग्राफ़ डेटाबेस को स्वाभाविक रूप से खोजों के प्रकारों के अनुकूल बनाते हैं | जो ऑनलाइन प्रणाली और बड़े डेटा वातावरण में तेजी से सामान्य होते जा रहे हैं। इस कारण से, बड़े ऑनलाइन प्रणाली जैसे फेसबुक, गूगल, ट्विटर और संग्रहित के बीच गहरे लिंक वाले समान प्रणाली के लिए ग्राफ डेटाबेस बहुत लोकप्रिय हो रहे हैं।

दो तालिकाओं के साथ संबंधपरक मॉडल की कल्पना करें: आगे वर्णन करने के लिए a  टेबल (जिसमें ए   और   कॉलम) और ए   तालिका (साथ   और , जो की विदेशी कुंजी है   मेज) इस स्थिति में, जैक के सभी दोस्तों को खोजने से निम्नलिखित एसक्यूएल क्वेरी प्राप्त होगी।

एक ही प्रश्न का अनुवाद किया जा सकता है |

उपरोक्त उदाहरण मूलभूत संबंध क्वेरी का एक सरल उदाहरण हैं। वे संबंधपरक मॉडल की क्वेरी जटिलता के विचार को संघनित करते हैं | जो डेटा की कुल मात्रा के साथ बढ़ता है। इसकी तुलना में, ग्राफ़ डेटाबेस क्वेरी परिणाम प्रस्तुत करने के लिए संबंध ग्राफ़ के माध्यम से सॉर्ट करने में आसानी से सक्षम है।
 * साइफर पूछताछ भाषा, ग्राफ डेटाबेस क्वेरी भाषा
 * स्पार्कल, W3C द्वारा मानकीकृत आरडीएफ ग्राफ़ डेटाबेस क्वेरी भाषा और कई आरडीएफ ट्रिपलस्टोर और नामांकित ग्राफ़ स्टोर में उपयोग की जाती है
 * लंबा प्रपत्र
 * संक्षिप्त रूप
 * एसपीएएसक्यूएल, हाइब्रिड डेटाबेस क्वेरी भाषा, जो एसक्यूएल को स्पार्कल के साथ विस्तारित करती है |

ऐसे परिणाम भी हैं | जो संकेत करते हैं कि ग्राफ़ डेटाबेस के सरल, संघनित और घोषणात्मक प्रश्न आवश्यक रूप से संबंधपरक डेटाबेस की तुलना में अच्छा प्रदर्शन प्रदान नहीं करते हैं। जबकि ग्राफ़ डेटाबेस डेटा का सहज प्रतिनिधित्व प्रदान करते हैं | संबंधपरक डेटाबेस उत्तम परिणाम प्रदान करते हैं | जब समुच्चय ऑपरेशंस की आवश्यकता होती है।

ग्राफ डेटाबेस की सूची
निम्नलिखित डब्ल्यू.पी जीएनजी ग्राफ डेटाबेस की एक सूची है |

ग्राफ़ क्वेरी-प्रोग्रामिंग भाषाएँ

 * एक्यूएल (अरांगोडीबी क्वेरी भाषा): दस्तावेज़ और ग्राफ़ दोनों के लिए अरंगोडीबी में उपयोग की जाने वाली एसक्यूएल जैसी क्वेरी भाषा है |
 * साइफर क्वेरी भाषा (साइफर): निओ4ज के लिए ग्राफ क्वेरी घोषणात्मक भाषा जो ग्राफ के लिए एड हॉक और प्रोग्रामेटिक (एसक्यूएल-लाइक) एक्सेस को सक्षम बनाती है।
 * जीक्यूएल ग्राफ़ क्वेरी भाषा: प्रस्तावित आईएसओ मानक ग्राफ़ क्वेरी भाषा है |
 * ग्राफक्यूएल: एपीआई के लिए ओपन-सोर्स डेटा क्वेरी और हेरफेर भाषा डगराफ डीक्यूएल नामक संशोधित ग्राफक्यूएल भाषा को प्रयुक्त करता है |(पूर्व में ग्राफक्यूएल+-)
 * ग्रेमलिन (प्रोग्रामिंग भाषा): ग्राफ प्रोग्रामिंग भाषा जो अपाचे टिंकरपॉप ओपन-सोर्स प्रोजेक्ट का एक भाग है |
 * स्पार्कल: आरडीएफ डेटाबेस के लिए क्वेरी भाषा जो आरडीएफ प्रारूप में संग्रहीत डेटा को पुनः प्राप्त और हेरफेर कर सकती है |

यह भी देखें

 * ग्राफ परिवर्तन
 * पदानुक्रमित डेटाबेस मॉडल
 * डेटा लॉग
 * वडाला
 * ऑब्जेक्ट डेटाबेस
 * आरडीएफ डेटाबेस
 * संरचित भंडारण
 * टेक्स्ट ग्राफ
 * विकिडेटा विकिपीडिया सहयोगी परियोजना है | जो डेटा को ग्राफ डेटाबेस में संग्रहीत करती है। साधारण वेब ब्राउजिंग नोड्स को देखने, किनारों का अनुसरण करने और स्पार्कल प्रश्नों को चलाने की अनुमति देता है।