ग्राफ डेटाबेस

एक 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।^[1] सिस्टम की एक 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। रिश्ते स्टोर में डेटा को सीधे एक साथ जोड़ने की अनुमति देते हैं और कई मामलों में, एक ऑपरेशन 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।^[2]

ग्राफ़ डेटाबेस को आमतौर पर NoSQL कहा जाता है। ग्राफ़ डेटाबेस 1970 के दशक के नेटवर्क मॉडल डेटाबेस के समान हैं, जिसमें दोनों सामान्य ग्राफ़ का प्रतिनिधित्व करते हैं, लेकिन नेटवर्क-मॉडल डेटाबेस अमूर्तता (कंप्यूटर विज्ञान) के निचले स्तर पर काम करते हैं।^[3] और किनारों की एक श्रृंखला पर आसान ग्राफ ट्रैवर्सल की कमी है।^[4] ग्राफ़ डेटाबेस का अंतर्निहित संग्रहण तंत्र भिन्न हो सकता है। रिश्ते एक ग्राफ़ डेटाबेस में प्रथम श्रेणी के नागरिक हैं और इन्हें लेबल, निर्देशित और गुण दिए जा सकते हैं। कुछ एक संबंधपरक इंजन पर निर्भर करते हैं और तालिका (डेटाबेस) में ग्राफ़ डेटा संग्रहीत करते हैं (हालांकि तालिका एक तार्किक तत्व है, इसलिए यह दृष्टिकोण ग्राफ़ डेटाबेस, ग्राफ़ डेटाबेस प्रबंधन प्रणाली और भौतिक उपकरणों के बीच अमूर्तता का एक और स्तर लागू 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 NoSQL संरचनाएँ बन जाते हैं।

As of 2021^[update], किसी भी सार्वभौमिक ग्राफ़ क्वेरी भाषा को उसी तरह से नहीं अपनाया गया है जैसे SQL रिलेशनल डेटाबेस के लिए था, और कई प्रकार की प्रणालियाँ हैं, जो अक्सर एक उत्पाद से कसकर बंधी होती हैं। कुछ शुरुआती मानकीकरण प्रयासों से ग्रेमलिन (प्रोग्रामिंग भाषा) , SPARQL और ग्राफ क्वेरी भाषा जैसी मल्टी-वेंडर क्वेरी लैंग्वेज बनती हैं। सितंबर 2019 में एक नई मानक ग्राफ़ क्वेरी भाषा (ISO/IEC 39075 सूचना प्रौद्योगिकी — डेटाबेस भाषाएँ — GQL) बनाने के लिए एक परियोजना के प्रस्ताव को ISO/IEC संयुक्त तकनीकी समिति 1 (ISO/IEC JTC 1) के सदस्यों द्वारा अनुमोदित किया गया था। ग्राफ़ क्वेरी भाषा का उद्देश्य SQL की तरह एक घोषणात्मक डेटाबेस क्वेरी भाषा होना है। क्वेरी लैंग्वेज इंटरफेस होने के अलावा, 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 तकनीकें हैं जो रिलेशनल ऑनलाइन लेनदेन प्रसंस्करण (OLTP) डेटाबेस के अनुवाद हैं। दूसरी ओर, थोक विश्लेषण के लिए ऑनलाइन विश्लेषणात्मक प्रसंस्करण (OLAP) में ग्राफ कंप्यूट इंजन का उपयोग किया जाता है।^[5] मालिकाना ग्राफ डेटाबेस का उपयोग करने में प्रमुख प्रौद्योगिकी निगमों की सफलताओं के कारण, 2000 के दशक में ग्राफ डेटाबेस ने काफी ध्यान आकर्षित किया,^[6] खुला स्रोत सॉफ्टवेयर की शुरुआत के साथ | ओपन-सोर्स ग्राफ डेटाबेस।

एक अध्ययन ने निष्कर्ष निकाला कि एक RDBMS ग्राफ़ प्रश्नों को निष्पादित करने पर मौजूदा ग्राफ़ विश्लेषण इंजनों के प्रदर्शन के बराबर था।^[7]

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, लेकिन सख्त ट्री संरचना को वर्चुअल रिकॉर्ड से दरकिनार किया जा सकता था।^[8]^[9] 1960 के दशक के अंत से नेटवर्क मॉडल डेटाबेस में ग्राफ संरचनाओं का प्रतिनिधित्व किया जा सकता है। CODASYL, जिसने 1959 में COBOL को परिभाषित किया था, ने 1969 में नेटवर्क डेटाबेस लैंग्वेज को परिभाषित किया।

ग्राफ लेबलिंग को 1980 के दशक के मध्य से ग्राफ़ डेटाबेस में प्रदर्शित किया जा सकता है, जैसे लॉजिकल डेटा मॉडल।^[10]^[11] 1990 के दशक की शुरुआत में वाणिज्यिक वस्तु डेटाबेस (ODBMS) का उदय हुआ। 2000 में, वस्तु डेटा प्रबंधन समूह ने अपने ODMG'93 प्रकाशन में ऑब्जेक्ट और रिलेशनशिप (ग्राफ़) संरचनाओं को परिभाषित करने के लिए एक मानक भाषा प्रकाशित की।

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

2000 के दशक के मध्य से अंत तक, एसीआईडी गारंटियों के साथ वाणिज्यिक ग्राफ डेटाबेस जैसे कि Neo4j और Oracle स्थानिक और ग्राफ़ उपलब्ध हो गए।

2010 के दशक में, वाणिज्यिक एसीआईडी ग्राफ़ डेटाबेस जो स्केलेबिलिटी # क्षैतिज और लंबवत स्केलिंग हो सकते थे, उपलब्ध हो गए। इसके अलावा, SAP HANA ने इन-मेमोरी डेटाबेस | इन-मेमोरी और कॉलम-ओरिएंटेड DBMS तकनीकों को ग्राफ डेटाबेस में लाया।^[12] इसके अलावा 2010 के दशक में, बहु-मॉडल डेटाबेस जो ग्राफ़ मॉडल (और अन्य मॉडल जैसे रिलेशनल डेटाबेस या दस्तावेज़-उन्मुख डेटाबेस) का समर्थन करते थे, जैसे कि OrientDB, ArangoDB, और MarkLogic (इसके 7.0 संस्करण से शुरू) उपलब्ध हो गए। इस समय के दौरान, 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 दौरान, क्लाउड कम्प्यूटिंग -आधारित ग्राफ़ डेटाबेस जैसे Amazon Neptune और Neo4j#Licensing और संस्करण उपलब्ध हो गए।

पृष्ठभूमि

ग्राफ़ डेटाबेस नोड्स, गुण और किनारों को नियोजित करते हैं

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।

एक ग्राफ़ डेटाबेस एक डेटाबेस है जो ग्राफ़ सिद्धांत पर आधारित है। इसमें ऑब्जेक्ट्स का एक सेट 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 मोटे तौर पर एक संबंधपरक डेटाबेस में एक रिकॉर्ड, संबंध या पंक्ति (डेटाबेस) के बराबर होते हैं, या दस्तावेज़-स्टोर डेटाबेस में एक दस्तावेज़ होते हैं।
किनारे, जिन्हें ग्राफ या रिलेशनशिप 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 कनेक्शन और इंटरकनेक्शन की जांच करते समय सार्थक पैटर्न सामने आते हैं। किनारों को या तो निर्देशित या अप्रत्यक्ष किया जा सकता है। एक अप्रत्यक्ष ग्राफ में, दो नोड्स को जोड़ने वाले किनारे का एक ही अर्थ होता है। एक 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, एक अमूर्तता का प्रतिनिधित्व करते हैं जो सीधे संबंधपरक मॉडल या दस्तावेज़-उन्मुख डेटाबेस | दस्तावेज़-स्टोर मॉडल में लागू 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 शुरू होने वाले शब्द जैसी संपत्तियों से बंधा हो सकता है, जो निर्भर करता है किसी दिए गए डेटाबेस के लिए 'विकिपीडिया' के कौन से पहलू प्रासंगिक हैं।

ग्राफ मॉडल

लेबल-संपत्ति ग्राफ

एक लेबल-प्रॉपर्टी ग्राफ़ मॉडल को नोड्स, रिलेशनशिप, प्रॉपर्टी और लेबल के सेट द्वारा दर्शाया जाता है। डेटा और उनके रिश्तों 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 हमेशा एक प्रारंभ नोड और एक अंत नोड होता है, और निर्देशित होता है;^[13] ग्राफ़ को एक निर्देशित ग्राफ़ बनाना। रिश्तों में गुण भी हो सकते हैं। यह नोड्स के संबंधों को अतिरिक्त मेटाडेटा और शब्दार्थ प्रदान करने में उपयोगी है।^[14] संबंधों का प्रत्यक्ष भंडारण एक समय जटिलता#लगातार समय|निरंतर-समय ग्राफ़ ट्रैवर्सल की अनुमति देता है।^[15]

संसाधन विवरण फ्रेमवर्क (आरडीएफ)

एक उदाहरण RDF ग्राफ़

एक RDF (कंप्यूटर साइंस) ग्राफ मॉडल में, सूचना का जोड़ प्रत्येक को एक अलग नोड के साथ दर्शाया जाता है। उदाहरण के लिए, एक ऐसे परिदृश्य की कल्पना करें जहां एक उपयोगकर्ता को ग्राफ़ में एक विशिष्ट नोड के रूप में दर्शाए गए व्यक्ति के लिए एक नाम गुण जोड़ना है। एक लेबल-प्रॉपर्टी ग्राफ़ मॉडल में, यह व्यक्ति के नोड में एक नाम संपत्ति के अतिरिक्त के साथ किया जाएगा। हालाँकि, RDF में, उपयोगकर्ता को एक अलग नोड जोड़ना पड़ता है जिसे कहा जाता है hasName इसे मूल व्यक्ति नोड से जोड़ना। विशेष रूप से, एक RDF ग्राफ़ मॉडल नोड्स और आर्क्स से बना होता है। एक आरडीएफ ग्राफ संकेतन या एक बयान द्वारा दर्शाया गया है: विषय के लिए एक नोड, वस्तु के लिए एक नोड, और विधेय के लिए एक चाप। एक नोड खाली छोड़ा जा सकता है, एक शाब्दिक (कंप्यूटर प्रोग्रामिंग) और/या यूनिफॉर्म रिसोर्स पहचानकर्ता द्वारा पहचाना जा सकता है। यूआरआई द्वारा चाप की पहचान भी की जा सकती है। एक नोड के लिए एक शाब्दिक दो प्रकार का हो सकता है: सादा (अनटाइप्ड) और टाइप किया हुआ। एक सादे शाब्दिक का एक शाब्दिक रूप और वैकल्पिक रूप से एक भाषा टैग होता है। एक टाइप किया हुआ शाब्दिक एक URI के साथ एक स्ट्रिंग से बना होता है जो एक विशेष डेटाटाइप की पहचान करता है। डेटा में यूनिफ़ॉर्म रिसोर्स आइडेंटिफ़ायर नहीं होने पर डेटा की स्थिति को सटीक रूप से दर्शाने के लिए एक खाली नोड का उपयोग किया जा सकता है।^[16]

गुण

ग्राफ़ डेटाबेस ग्राफ़ जैसी क्वेरीज़ के लिए एक शक्तिशाली उपकरण है। उदाहरण के लिए, ग्राफ़ में दो नोड्स के बीच सबसे छोटे पथ की गणना करना। अन्य ग्राफ़-जैसी क्वेरी को ग्राफ़ डेटाबेस पर प्राकृतिक तरीके 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 नुकसान के बिना मौजूदा ग्राफ़ में नया डेटा सम्मिलित करने की अनुमति देता है। डेटाबेस के भविष्य के उपयोग के मामलों 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 एक संबंधपरक इंजन पर निर्भर करते हैं और तालिका (डेटाबेस) में ग्राफ़ डेटा संग्रहीत करते हैं (हालांकि तालिका एक तार्किक तत्व है, इसलिए यह दृष्टिकोण ग्राफ़ डेटाबेस, ग्राफ़ डेटाबेस प्रबंधन प्रणाली और भौतिक उपकरणों के बीच अमूर्तता का एक और स्तर लागू 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 NoSQL संरचनाएँ बन जाते हैं। एक नोड को किसी भी अन्य दस्तावेज़ स्टोर के रूप में दर्शाया जाएगा, लेकिन दो अलग-अलग नोड्स को जोड़ने वाले किनारे इसके दस्तावेज़ के अंदर विशेष गुण रखते हैं; a _from और _to विशेषताएँ।

अनुक्रमणिका-मुक्त निकटता

डेटा लुकअप प्रदर्शन एक 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 लागू करती है और भौतिक रूप से अन्य आसन्न नोड्स को इंगित करती है, इसका परिणाम तेजी से पुनर्प्राप्ति में होता है। नोड्स के बीच लिंक खोजने के लिए इंडेक्स-फ्री आसन्नता के साथ एक देशी ग्राफ सिस्टम को किसी अन्य प्रकार की डेटा संरचनाओं के माध्यम से स्थानांतरित करने की आवश्यकता नहीं है। एक बार नोड्स में से किसी एक 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। हालांकि, ऐसा लाभ लागत 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 CRUD 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:^[17]

सामाजिक ग्राफ: यह लोगों के बीच संबंधों के बारे में है; उदाहरणों में शामिल हैं फेसबुक, ट्विटर, और छह डिग्री अलगाव का विचार
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 अक्सर एक सामाजिक ग्राफ द्वारा पूरक होता है। इसमें वेबपृष्ठों को अनुक्रमित करने के बजाय 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, GPS और चीजों की इंटरनेट (IoT) उपकरणों का डेटा शामिल हो सकता है।

रिलेशनल डेटाबेस के साथ तुलना

संबंधपरक मॉडल पर एडगर एफ. कॉड के 1970 के पेपर के बाद से,^[18] संबंधपरक डेटाबेस बड़े पैमाने पर डेटा स्टोरेज सिस्टम के लिए वास्तविक उद्योग मानक रहे हैं। संबंधपरक मॉडल को एक सख्त स्कीमा और डेटा सामान्यीकरण की आवश्यकता होती है जो डेटा को कई तालिकाओं में अलग करता है और डेटाबेस के भीतर 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। हालाँकि यह इस बात पर सीमाएँ लगाता है कि रिश्तों को कैसे समझा जा सकता है।

रिलेशनल मॉडल की डिज़ाइन प्रेरणाओं में से एक तेज़ पंक्ति-दर-पंक्ति पहुँच प्राप्त करना था।^[18]समस्याएँ तब उत्पन्न होती हैं जब संग्रहीत डेटा के बीच जटिल संबंध बनाने की आवश्यकता होती है। हालांकि 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। रिलेशनल मॉडल के साथ काम करने में, विदेशी कुंजी बाधाओं पर भी विचार किया जाना चाहिए, जब रिश्तों को पुनः प्राप्त करना, अतिरिक्त ओवरहेड का कारण बनता है।

संबंधपरक डेटाबेस की तुलना में, ग्राफ़ डेटाबेस अक्सर साहचर्य डेटा सेट के लिए तेज़ होते हैं और ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग |ऑब्जेक्ट-ओरिएंटेड एप्लिकेशन की संरचना के लिए अधिक सीधे मैप करें। वे अधिक स्वाभाविक रूप से स्केल कर सकते हैं बड़े डेटासेट के लिए क्योंकि उन्हें आमतौर पर शामिल हों (एसक्यूएल) संचालन की आवश्यकता नहीं होती है, जो अक्सर महंगा हो सकता है। जैसा कि वे एक 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 आम तौर पर बड़ी संख्या में डेटा तत्वों पर एक ही ऑपरेशन करने में तेज होती हैं, जिससे डेटा की प्राकृतिक संरचना में हेरफेर की अनुमति मिलती है। ग्राफ डेटाबेस के फायदे और हाल की लोकप्रियता के बावजूद रिलेशनल डेटाबेस, यह अनुशंसा की जाती है कि ग्राफ़ मॉडल ही मौजूदा रिलेशनल डेटाबेस को बदलने का एकमात्र कारण नहीं होना चाहिए। एक ग्राफ़ डेटाबेस प्रासंगिक हो सकता है अगर परिमाण और कम विलंबता के क्रम में प्रदर्शन में सुधार के लिए कोई सबूत हो।^[19]

उदाहरण

रिलेशनल 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 रिलेशनल डेटाबेस डेटाबेस इंडेक्स प्रदान करते हैं, जो डेटा को एक छोटी उप-तालिका में संग्रहीत करने की अनुमति देते हैं, जिसमें केवल चयनित डेटा और रिकॉर्ड की एक अनूठी 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 रिकॉर्ड की कुंजियों को एकत्रित करना, और फिर उन कुंजियों वाले रिकॉर्ड के लिए मुख्य डेटा तालिका में देखना। आम तौर पर, एक टेबल को इस तरह से स्टोर किया जाता है जिससे कुंजी के माध्यम से लुकअप बहुत तेज हो जाता है।^[20] संबंधपरक डेटाबेस में स्वाभाविक रूप से रिकॉर्ड के बीच निश्चित संबंधों का विचार नहीं होता है। इसके बजाय, संबंधित डेटा को एक रिकॉर्ड की अद्वितीय कुंजी को दूसरे रिकॉर्ड के डेटा में संग्रहीत करके एक दूसरे से जोड़ा जाता है। उदाहरण के लिए, उपयोगकर्ताओं के लिए ईमेल पते वाली एक तालिका में एक डेटा आइटम हो सकता है जिसे कहा जाता है userpk, जिसमें उस उपयोगकर्ता रिकॉर्ड की प्राथमिक कुंजी होती है जिससे वह संबद्ध है। उपयोगकर्ताओं और उनके ईमेल पतों को लिंक करने के लिए, सिस्टम पहले चयनित उपयोगकर्ता रिकॉर्ड प्राथमिक कुंजियों को देखता है, उन कुंजियों को खोजता है userpk ईमेल तालिका में कॉलम (या, अधिक संभावना है, उनमें से एक अनुक्रमणिका), ईमेल डेटा को निकालता है, और फिर सभी चयनित डेटा वाले समग्र रिकॉर्ड बनाने के लिए उपयोगकर्ता और ईमेल रिकॉर्ड को लिंक करता है। ज्वाइन (एसक्यूएल) नामक इस ऑपरेशन को कम्प्यूटेशनल रूप से महंगा हो सकता है। क्वेरी की जटिलता, जुड़ने की संख्या और विभिन्न चाबियों को अनुक्रमणित करने के आधार पर, सिस्टम 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।^[20]

इसके विपरीत, ग्राफ़ डेटाबेस सीधे रिकॉर्ड के बीच संबंधों को संग्रहीत करते हैं। में अपने उपयोगकर्ता की कुंजी को देखकर एक ईमेल पता खोजने के बजाय userpk स्तंभ, उपयोगकर्ता रिकॉर्ड में एक सूचक होता है जो सीधे ईमेल पता रिकॉर्ड को संदर्भित करता है। अर्थात्, एक उपयोगकर्ता का चयन करने के बाद, पॉइंटर को सीधे ईमेल रिकॉर्ड तक पहुँचाया जा सकता है, मेल खाने वाले रिकॉर्ड 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 एक पारंपरिक खोज करेगा, लेकिन फिर उन रिकॉर्ड में पाए गए लिंक का अनुसरण करके ईमेल पते को पुनः प्राप्त करेगा। एक रिलेशनल डेटाबेस पहले 311 में सभी उपयोगकर्ताओं को खोजेगा, प्राथमिक कुंजियों की एक सूची निकालेगा, उन प्राथमिक कुंजियों के साथ ईमेल तालिका में किसी भी रिकॉर्ड के लिए दूसरी खोज करेगा, और मेल खाने वाले रिकॉर्ड को एक साथ लिंक करेगा। इस प्रकार के सामान्य कार्यों के लिए, ग्राफ़ डेटाबेस सैद्धांतिक रूप से तेज़ होंगे।^[20]

ग्राफ़ दृष्टिकोण का सही मूल्य तब स्पष्ट हो जाता है जब कोई ऐसी खोज करता है जो एक 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 मामले में एक संबंधपरक डेटाबेस को पहले 311 में एक 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, एक ग्राफ डेटाबेस 311 में सभी उपयोगकर्ताओं के लिए खोज करेगा, फिर ग्राहक संबंध के माध्यम से ग्राहक उपयोगकर्ताओं को खोजने के लिए बैकलिंक्स का पालन करेगा। यह कई खोजों, लुक-अप और आउटपुट के निर्माण के लिए आवश्यक कई रिकॉर्ड से सभी अस्थायी डेटा को होल्ड करने में शामिल 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। इसके विपरीत, संबंधपरक संस्करण एकाधिक होगा $O(\log n)$ लुकअप, साथ ही सभी डेटा रिकॉर्ड में शामिल होने के लिए आवश्यक समय।^[20]

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 सिस्टम 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। एक 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 एक खोज के माध्यम से किया जा सकता है।^[21] 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 रिकॉर्ड पर या कुछ मामलों में किनारों पर भी लागू किया जा सकता है। उदाहरण के लिए, कोई क्लार्क गेबल को अभिनेता के रूप में लेबल कर सकता है, जो तब निर्देशक या कैमरा ऑपरेटर के विपरीत, सिस्टम को अभिनेताओं के सभी रिकॉर्ड 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 एक खोज करके, डेटाबेस विवियन लेह का उत्पादन करेगा, ओलिविया देहविलैंड और क्लार्क गेबल। समतुल्य SQL 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, लेकिन अंतिम उपयोगकर्ताओं के लिए अतिरिक्त सिमेंटिक डेटा प्रदान करने में आम तौर पर अधिक उपयोगी होते हैं।^[21]

रिलेशनल डेटाबेस फ्लैट डेटा लेआउट के लिए बहुत उपयुक्त हैं, जहां डेटा के बीच संबंध एक या दो स्तर गहरे होते हैं। उदाहरण के लिए, एक 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 डेटासेट्स के लिए लक्षित होते हैं जिनमें कई और लिंक होते हैं। वे सामाजिक नेटवर्किंग सिस्टम के लिए विशेष रूप से उपयुक्त हैं, जहां दोस्तों का रिश्ता अनिवार्य रूप से अबाधित है। ये गुण ग्राफ़ डेटाबेस को स्वाभाविक रूप से खोजों के प्रकारों के अनुकूल बनाते हैं जो ऑनलाइन सिस्टम और बड़े डेटा वातावरण में तेजी से सामान्य होते जा रहे हैं। इस कारण से, बड़े ऑनलाइन सिस्टम जैसे फेसबुक, गूगल, ट्विटर और रिकॉर्ड के बीच गहरे लिंक वाले समान सिस्टम के लिए ग्राफ डेटाबेस बहुत लोकप्रिय हो रहे हैं।

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

SELECT p2.person_name 
FROM people p1 
JOIN friend ON (p1.person_id = friend.person_id)
JOIN people p2 ON (p2.person_id = friend.friend_id)
WHERE p1.person_name = 'Jack';

एक ही प्रश्न का अनुवाद किया जा सकता है -

साइफर पूछताछ भाषा , एक ग्राफ डेटाबेस क्वेरी लैंग्वेज
```
MATCH (p1:person {name: 'Jack'})-[:FRIEND_WITH]-(p2:person)
RETURN p2.name
```

SPARQL, W3C द्वारा मानकीकृत एक RDF ग्राफ़ डेटाबेस क्वेरी भाषा और कई RDF ट्रिपलस्टोर और नामांकित ग्राफ़ स्टोर में उपयोग की जाती है

लंबा प्रपत्र

PREFIX foaf: <http://xmlns.com/foaf/0.1/>

SELECT ?name
WHERE { ?s a          foaf:Person . 
        ?s foaf:name  "Jack" . 
        ?s foaf:knows ?o . 
        ?o foaf:name  ?name . 
      }

संक्षिप्त रूप

PREFIX foaf: <http://xmlns.com/foaf/0.1/>

SELECT ?name
WHERE { ?s foaf:name     "Jack" ;
           foaf:knows    ?o .
           ?o foaf:name  ?name .
      }

SPASQL, एक हाइब्रिड डेटाबेस क्वेरी भाषा, जो SQL को SPARQL के साथ विस्तारित करती है

SELECT people.name
FROM (
       SPARQL PREFIX foaf: <http://xmlns.com/foaf/0.1/>
              SELECT ?name
              WHERE { ?s foaf:name  "Jack" ; 
                         foaf:knows ?o .
                      ?o foaf:name  ?name .
                    }
    ) AS people ;

उपरोक्त उदाहरण एक बुनियादी 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, एक ग्राफ़ डेटाबेस क्वेरी परिणाम प्रस्तुत करने के लिए संबंध ग्राफ़ के माध्यम से सॉर्ट करने में आसानी से सक्षम है।

ऐसे परिणाम भी हैं जो इंगित 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, रिलेशनल डेटाबेस बेहतर परिणाम प्रदान करते हैं जब सेट ऑपरेशंस की आवश्यकता होती है।^[15]