Dane grafowe w praktyce. Jak technologie grafowe ułatwiają rozwiązywanie złożonych problemów (ebook)(audiobook)(audiobook)

Spis treści

Wstęp 9

1. Myślenie grafowe 15

• Dlaczego teraz? Kontekst technologii bazodanowych 16
• Okres od lat 60. do lat 80. XX wieku - dane hierarchiczne 17
• Okres od lat 80. XX wieku do pierwszej dekady XXI wieku - encja-relacja 18
• Od początku XXI wieku do lat 20. XXI wieku - NoSQL 19
• Lata 20. XXI wieku do ? - grafy 20
• Czym jest myślenie grafowe? 22
• Złożone problemy i złożone systemy 22
• Problemy złożone w biznesie 23
• Podejmowanie decyzji o technologii rozwiązywania złożonych problemów 25
• Twoje dane są grafem. Co teraz? 28
• Spojrzenie z szerszej perspektywy 31
• Ruszamy na wyprawę z myśleniem grafowym 32

2. Ewolucja od myślenia relacyjnego do grafowego 33

• Przegląd rozdziału: tłumaczenie koncepcji relacyjnych na terminologię grafów 33
• Relacyjne kontra grafowe - na czym polega różnica? 34
• Dane potrzebne w przykładzie 35
• Modelowanie danych relacyjnych 36
• Encje i atrybuty 37
• Tworzenie diagramu ERD 37
• Koncepcje związane z danymi grafowymi 38
• Podstawowe elementy grafu 39
• Przyleganie 40
• Sąsiedztwa 40
• Odległość 40
• Stopień 41
• Język Graph Schema Language 43
• Etykiety wierzchołków i krawędzi 43
• Właściwości 44
• Kierunek krawędzi 45
• Odwołujące się do siebie etykiety krawędzi 47
• Mnogość grafu 48
• Pełny przykładowy model grafu 50
• Relacyjne kontra grafowe: decyzje do rozważenia 51
• Modelowanie danych 51
• Zrozumienie danych grafowych 52
• Mieszanie projektu bazy danych z celem aplikacji 52
• Podsumowanie 53

3. Zaczynamy. Prosta aplikacja Customer 360 55

• Przegląd rozdziału: relacyjne kontra grafowe 56
• Podstawowy przypadek użycia dla danych grafowych - C360 56
• Dlaczego firmy przejmują się projektem C360? 57
• Implementowanie aplikacji C360 w systemie relacyjnym 58
• Modele danych 59
• Implementacja relacyjna 61
• Przykładowe zapytania dla aplikacji C360 65
• Implementacja aplikacji C360 w systemie grafowym 68
• Modele danych 68
• Implementacja grafowa 69
• Przykładowe zapytania C360 76
• Relacyjne kontra grafowe - jak wybrać? 80
• Relacyjne kontra grafowe - modelowanie danych 80
• Relacyjne kontra grafowe - reprezentowanie relacji 80
• Relacyjne kontra grafowe - języki zapytań 81
• Relacyjne kontra grafowe - najważniejsze aspekty 82
• Podsumowanie 82
• Dlaczego nie relacyjne? 83
• Wybór technologii dla aplikacji C360 83

4. Badanie sąsiedztwa w środowisku roboczym 85

• Przegląd rozdziału - tworzenie bardziej realistycznej aplikacji Customer 360 85
• Zasady modelowania danych grafowych 86
• Czy to powinien być wierzchołek, czy krawędź? 87
• Zgubiłeś się? Wskażemy Ci właściwy kierunek 89
• Graf nie ma nazwy - typowe błędy w nazewnictwie 92
• Gotowy model grafu w środowisku roboczym 94
• Zanim zaczniemy budować 96
• Nasze przemyślenia o znaczeniu danych, zapytań i użytkownika końcowego 96
• Szczegóły implementacji eksploracji sąsiedztw w środowisku roboczym 97
• Generowanie większej ilości danych dla rozszerzonego przykładu 98
• Podstawowa nawigacja w języku Gremlin 99
• Zaawansowane aspekty Gremlina - formatowanie wyników zapytania 106
• Formatowanie wyników zapytania za pomocą kroków project(), fold() i unfold() 107
• Usuwanie danych z wyników za pomocą wzorca where(neq()) 110
• Planowanie złożonych wyników za pomocą kroku coalesce() 111
• Przejście ze środowiska roboczego do produkcyjnego 114

5. Eksploracja sąsiedztw w środowisku produkcyjnym 115

• Przegląd rozdziału - rozproszone dane grafowe w środowisku Apache Cassandra 116
• Praca z danymi grafowymi w środowisku Apache Cassandra 117
• Najważniejsze zagadnienie dotyczące modelowania danych - klucze główne 117
• Klucze partycji i lokalizacja danych w środowisku rozproszonym 119
• Opis krawędzi, część 1. Krawędzie na liście sąsiedztwa 123
• Zrozumienie krawędzi, część 2. Kolumny klastrów 125
• Zrozumienie krawędzi, część 3. Perspektywy zmaterializowane dla przejścia przez graf 129
• Zaawansowane modelowanie danych grafowych 131
• Znajdowanie indeksów za pomocą inteligentnego systemu rekomendacji indeksów 135
• Szczegóły implementacji produkcyjnej 136
• Perspektywy zmaterializowane i dodawanie czasu do krawędzi 136
• Gotowy schemat produkcyjny aplikacji C360 138
• Wczytywanie dużej ilości danych grafowych 139
• Uzupełnianie zapytań w Gremlinie z wykorzystaniem czasu na krawędziach 142
• Przejście do bardziej złożonych, rozproszonych problemów grafowych 144
• 10 pierwszych wskazówek dotyczących przejścia od środowiska roboczego do produkcyjnego 144

6. Używanie drzew w środowisku roboczym 147

• Przegląd rozdziału - nawigowanie przez drzewa, dane hierarchiczne i cykle 147
• Hierarchie i dane zagnieżdżone - trzy przykłady 148
• Hierarchiczne dane w zestawieniu materiałów 148
• Dane hierarchiczne w systemach kontroli wersji 148
• Dane hierarchiczne w samoorganizujących się sieciach 149
• Dlaczego stosuje się technologię grafową w przypadku danych hierarchicznych? 150
• Jak się odnaleźć w lesie terminologii 150
• Drzewa, korzenie i liście 151
• Głębokość w przechodzeniu, ścieżki i cykle 152
• Zrozumienie hierarchii w danych z czujników 154
• Zrozumienie danych 154
• Model koncepcyjny z wykorzystaniem notacji GSL 160
• Implementowanie schematu 161
• Zanim utworzymy zapytania 164
• Zapytania wykorzystujące drogę od liści do korzeni w trybie roboczym 164
• Dokąd wysłał dane określony czujnik? 165
• Jaka jest droga od tego czujnika do dowolnej wieży? 168
• Z dołu do góry 172
• Przeszukiwanie od korzenia do liści w środowisku roboczym 172
• Konfiguracja zapytania: jak znaleźć wieżę, z którą połączonych jest najwięcej czujników, aby można ją było wykorzystać w przykładzie? 173
• Które czujniki są połączone bezpośrednio z wieżą Georgetown? 174
• Szukanie wszystkich czujników połączonych z wieżą Georgetown 175
• Ograniczanie głębokości w rekurencji 177
• Powrót do przeszłości 178

7. Używanie drzew w środowisku produkcyjnym 179

• Przegląd rozdziału - zrozumienie czynnika rozgałęziania i czasu na krawędziach 179
• Zrozumienie czasu w danych dotyczących czujników 180
• Ostatnie wnioski dotyczące danych serii czasowych w grafach 187
• Zrozumienie czynnika rozgałęzień w naszym przykładzie 188
• Czym jest czynnik rozgałęzień? 188
• Jak sobie poradzić z czynnikiem rozgałęzień? 190
• Schemat produkcyjny dla danych dotyczących czujników 190
• Zapytania przechodzące od liści do korzeni w środowisku produkcyjnym 192
• Dokąd i kiedy czujnik wysłał dane? 192
• Znajdź wszystkie drzewa prowadzące od czujnika do wieży z uwzględnieniem czasu 193
• Znajdź poprawne drzewo wychodzące z określonego czujnika 195
• Zaawansowane aspekty Gremlina - wzorzec where().by() 197
• Zapytania od korzeni do liści w środowisku produkcyjnym 199
• Które czujniki są bezpośrednio połączone z wieżą Georgetown według czasu? 199
• Jakie prawidłowe drogi wiodą od wieży Georgetown w dół do wszystkich czujników? 200
• Wykorzystanie zapytań w scenariuszach awarii wieży 204
• Wykorzystanie ostatnich wyników do rozwiązania złożonego problemu 208
• Dostrzeganie lasu w grupie drzew 208

8. Szukanie dróg w środowisku roboczym 209

• Podgląd rozdziału - ocena ilościowa zaufania w sieciach 209
• Myślenie o zaufaniu - trzy przykłady 210
• Jak bardzo ufasz temu zaproszeniu? 210
• Jak obronić historię śledczego? 211
• Jak firmy modelują dostarczanie paczek? 212
• Fundamentalne koncepcje dotyczące dróg 213
• Najkrótsze drogi 213
• Przeszukiwanie w głąb i przeszukiwanie wszerz 215
• Nauka postrzegania cech aplikacji jako różnych problemów przeszukiwania dróg 216
• Szukanie dróg w sieci zaufania 217
• Dane źródłowe 217
• Krótkie wprowadzenie do terminologii związanej z Bitcoinem 218
• Tworzenie schematu roboczego 219
• Wczytywanie danych 220
• Analiza społeczności zaufania 220
• Zrozumienie przejść w sieci zaufania Bitcoina 222
• Które adresy znajdują się w pierwszym sąsiedztwie? 222
• Które adresy znajdują się w drugim sąsiedztwie? 223
• Które adresy znajdują się tylko w drugim sąsiedztwie? 224
• Strategie wartościowania w języku zapytań Gremlin 225
• Wybór losowego adresu do użycia w przykładzie 226
• Zapytania wyszukujące najkrótsze drogi 227
• Znajdowanie dróg o ustalonej długości 227
• Znajdowanie dróg o dowolnej długości 229
• Uzupełnianie dróg wartościami zaufania 232
• Czy ufasz tej osobie? 238

9. Znajdowanie dróg w środowisku produkcyjnym 239

• Przegląd rozdziału - zrozumienie wag, odległości i przycinania 239
• Ważone drogi i algorytmy wyszukiwania 240
• Definicja problemu najkrótszych dróg ważonych 240
• Techniki optymalizacji przeszukiwania najkrótszych dróg ważonych 241
• Normalizacja wag krawędzi dla problemów dotyczących najkrótszej drogi 244
• Normalizacja wag krawędzi 245
• Aktualizacja grafu 249
• Eksploracja znormalizowanych wag krawędzi 250
• Przemyślenia przed utworzeniem zapytań wyszukujących najkrótszą drogę ważoną 253
• Zapytania o najkrótszą drogę ważoną 254
• Tworzenie produkcyjnej wersji zapytania o najkrótszą drogę ważoną 254
• Drogi ważone i zaufanie w środowisku produkcyjnym 263

10. Rekomendacje w środowisku roboczym 265

• Przegląd rozdziału - kolaboratywne filtrowanie rekomendacji filmów 265
• Przykłady systemów rekomendacji 266
• Rekomendacje w służbie zdrowia 266
• Na czym polegają rekomendacje w serwisach społecznościowych 267
• Wykorzystanie głęboko połączonych danych do tworzenia rekomendacji w handlu elektronicznym 268
• Wstęp do filtrowania kolaboratywnego 269
• Zrozumienie problemu i domeny 269
• Filtrowanie kolaboratywne danych grafowych 270
• Rekomendacje na podstawie filtrowania kolaboratywnego opartego na elemencie zastosowanego w danych grafowych 271
• Trzy różne modele tworzenia rankingu rekomendacji 272
• Dane dotyczące filmów - schemat, wczytywanie i zapytania 276
• Model danych dla rekomendacji filmów 276
• Kod schematu dla rekomendacji filmów 277
• Wczytywanie danych filmów 279
• Zapytania dotyczące sąsiedztw w danych o filmach 283
• Zapytania wykorzystujące drzewa w celu analizy danych o filmach 285
• Zapytania przeszukujące drogi w danych o filmach 287
• Filtrowanie kolaboratywne oparte na elementach w Gremlinie 289
• Model 1. Liczenie dróg w zbiorze rekomendacji 289
• Model 2. Zainspirowany NPS 290
• Model 3. Znormalizowana punktacja NPS 292
• Wybór swojej przygody - filmy i edycja problemu grafowego 294

11. Proste łączenie encji w grafach 295

• Przegląd rozdziału - scalanie wielu zbiorów danych w jeden graf 295
• Definiowanie innego złożonego problemu - łączenie encji 296
• Analiza złożonego problemu 297
• Analiza dwóch zbiorów danych o filmach 298
• Zbiór danych MovieLens 299
• Zbiór danych Kaggle 304
• Schemat roboczy 307
• Dopasowywanie i scalanie danych o filmach 308
• Proces dopasowywania 308
• Rozwiązywanie wyników fałszywie pozytywnych 310
• Elementy fałszywie pozytywne w zbiorze danych MovieLens 311
• Dodatkowe błędy wykryte podczas łączenia encji 311
• Ostatnia analiza procesu scalania 313
• Rola struktury grafu w scalaniu danych o filmach 313

12. Rekomendacje w środowisku produkcyjnym 315

• Przegląd rozdziału - zrozumienie krawędzi skrótowych, wstępne obliczenia i zaawansowane obcinanie 316
• Krawędzie skrótowe do ustalania rekomendacji w czasie rzeczywistym 316
• Gdzie proces roboczy się nie skaluje 317
• Obsługa problemów ze skalowaniem - krawędzie skrótowe 318
• Analiza funkcjonalności w środowisku produkcyjnym 318
• Przycinanie - różne sposoby wstępnego obliczania krawędzi skrótowych 319
• Czynniki, jakie trzeba uwzględnić podczas aktualizacji rekomendacji 321
• Obliczanie krawędzi skrótowych dla danych o filmach 322
• Podział złożonego problemu wstępnego obliczania krawędzi skrótowych 322
• Radzenie sobie ze słoniem w składzie porcelany - obliczenia masowe 326
• Schemat produkcyjny i wczytywanie danych dla rekomendacji filmów 328
• Schemat produkcyjny dla rekomendacji filmów 328
• Wczytywanie danych produkcyjnych dla rekomendacji filmów 329
• Zapytania dotyczące rekomendacji wykorzystujące krawędzie skrótowe 330
• Potwierdzenie poprawnego wczytania krawędzi 331
• Rekomendacje dla użytkownika w środowisku produkcyjnym 332
• Zrozumienie czasu odpowiedzi w środowisku produkcyjnym poprzez zliczanie partycji krawędzi 336
• Ostatnie uwagi dotyczące analizy wydajności rozproszonych zapytań grafowych 338

13. Epilog 339

• Co dalej? 340
• Algorytmy grafowe 340
• Grafy rozproszone 341
• Teoria grafów 341
• Teoria sieci 342

pokaż cały spis treści

ukryj recenzje