Dự Đoán Liên Kết Trên Cơ Sở Dữ Liệu Đồ Thị Neo4J

Chuyên khảo phân tích Luận văn dự đoán liên kết trên cơ sở dữ liệu đồ thị, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Trọng Nhân
• Người hướng dẫn: TS. Trần Thiên Thành
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Đoán Liên Kết Trên Cơ Sở Dữ Liệu Đồ Thị Neo4J
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2021
• Địa điểm: Quy Nhơn

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Mục tiêu nghiên cứu
• 0.3. Đối tượng và phạm vi nghiên cứu
• 0.3.1. Đối tượng nghiên cứu
• 0.3.2. Phạm vi nghiên cứu
• 0.4. Phương pháp nghiên cứu
• 0.5. Nội dung nghiên cứu
• 1. CHƯƠNG 1: CƠ SỞ DỮ LIỆU ĐỒ THỊ
• 1.1. Cơ sở dữ liệu đồ thị
• 1.2. Các mô hình cơ sở dữ liệu đồ thị
• 1.3. Ứng dụng của cơ sở dữ liệu đồ thị
• 1.4. Một số hệ quản trị cơ sở dữ liệu đồ thị tiêu biểu
• 1.5. Cơ sở dữ liệu đồ thị Neo4J
• 1.6. Mô hình dữ liệu
• 1.7. Ngôn ngữ truy vấn Cyper
• 1.8. Khoa học dữ liệu đồ thị
• 1.9. Tiểu kết chương 1
• 2. CHƯƠNG 2: BÀI TOÁN DỰ ĐOÁN LIÊN KẾT TRÊN CƠ SỞ DỮ LIỆU NEO4J
• 2.1. Bài toán dự đoán liên kết
• 2.2. Giới thiệu bài toán
• 2.3. Phương pháp dự đoán liên kết
• 2.4. Dự đoán liên kết trên cơ sở dữ liệu đồ thị Neo4j
• 2.5. Ưu điểm của cơ sở dữ liệu đồ thị đối với bài toán dự đoán liên kết
• 2.6. Phương pháp sử dụng
• 2.7. Ví dụ minh họa
• 2.8. Xây dựng bô phân loại học máy trong bài toán dự đoán liên kết
• 2.9. Xây dựng mô hình học máy
• 2.10. Tập huấn luyện và tập kiểm tra
• 2.11. Các metrics đánh giá mô hình
• 2.12. Tiểu kết chương 2
• 3. CHƯƠNG 3: CÀI ĐẶT MÔ PHỎNG THỰC NGHIỆM
• 3.1. Môi trường và Công cụ thực nghiệm
• 3.2. Môi trường và ngôn ngữ lập trình
• 3.3. Công cụ và thư viện
• 3.4. Bộ dữ liệu
• 3.5. Bài toán dự đoán đồng tác giả
• 3.6. Cài đặt mô phỏng
• 3.7. Kết nối Neo4j
• 3.8. Nạp cơ sở dữ liệu DBLP vào Neo4j
• 3.9. Xây dựng biểu đồ đồng tác giả
• 3.10. Tạo tập dữ liệu huấn luyện và kiểm tra
• 3.11. Xây dựng mô hình học máy
• 3.12. Xây dựng các tính năng dự đoán liên kết
• 3.13. Đánh giá mô hình
• 3.14. Xây dựng một số tính năng đồ thị khác
• 3.15. Đánh giá kết quả đạt được
• 3.16. Tiểu kết chương 3
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Đoán Liên Kết và Neo4j Graph DB

Bài toán dự đoán liên kết có nhiều ứng dụng thực tế, từ mạng xã hội đến hệ thống gợi ý và phân tích mạng sinh học. Dữ liệu thường có mối liên hệ chặt chẽ, việc sử dụng cơ sở dữ liệu đồ thị như Neo4j để lưu trữ và khai thác dữ liệu là một lựa chọn hiệu quả. Neo4j cung cấp thư viện hỗ trợ cho bài toán dự đoán liên kết, giúp đơn giản hóa việc triển khai các ứng dụng. Luận văn này tập trung vào việc sử dụng dự đoán liên kết trong mạng trích dẫn, cụ thể là dự đoán khả năng hợp tác giữa các tác giả trên một bài báo. Mục tiêu là tìm hiểu cách tổ chức và lưu trữ dữ liệu trên Neo4j, sử dụng các chức năng tính toán để giải quyết bài toán dự đoán liên kết và thực nghiệm trên dữ liệu trích dẫn, đồng tác giả các bài báo khoa học để dự đoán sự hợp tác trong tương lai.

1.1. Ứng Dụng Thực Tế của Bài Toán Dự Đoán Liên Kết

Bài toán dự đoán liên kết không chỉ giới hạn trong lĩnh vực mạng xã hội. Nó còn được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Ví dụ, trong hệ thống gợi ý, dự đoán liên kết giúp gợi ý sản phẩm hoặc dịch vụ phù hợp cho người dùng dựa trên lịch sử tương tác của họ. Trong mạng sinh học, nó giúp xác định mối liên hệ giữa các phân tử, từ đó hỗ trợ nghiên cứu và phát triển thuốc. Trong mạng lưới trích dẫn, nó giúp dự đoán khả năng hợp tác giữa các nhà nghiên cứu. Những ứng dụng này cho thấy tiềm năng to lớn của dự đoán liên kết trong việc giải quyết các vấn đề thực tế.

1.2. Lợi Ích của Cơ Sở Dữ Liệu Đồ Thị Neo4j

Cơ sở dữ liệu đồ thị Neo4j mang lại nhiều lợi ích cho bài toán dự đoán liên kết. Khả năng lưu trữ và quản lý dữ liệu có cấu trúc phức tạp, đặc biệt là các mối quan hệ giữa các thực thể, là một ưu điểm lớn. Neo4j cũng cung cấp ngôn ngữ truy vấn Cypher, giúp dễ dàng truy vấn và phân tích dữ liệu đồ thị. Thư viện khoa học dữ liệu đồ thị (GDS) của Neo4j cung cấp các thuật toán dự đoán liên kết được xây dựng sẵn, giúp tiết kiệm thời gian và công sức phát triển. Hơn nữa, Neo4j có khả năng mở rộng linh hoạt, đáp ứng nhu cầu xử lý dữ liệu lớn.

II. Thách Thức và Giải Pháp Dự Đoán Liên Kết với Neo4j

Mặc dù Neo4j cung cấp nhiều công cụ hỗ trợ, bài toán dự đoán liên kết vẫn đối mặt với nhiều thách thức. Việc lựa chọn thuật toán phù hợp, xây dựng các tính năng (features) hiệu quả và đánh giá mô hình là những bước quan trọng đòi hỏi sự hiểu biết sâu sắc về dữ liệu và thuật toán. Luận văn này tập trung vào việc xây dựng các tính năng dựa trên cấu trúc đồ thị, sử dụng các thuật toán dự đoán liên kết có sẵn trong Neo4j và đánh giá hiệu quả của mô hình trên dữ liệu thực tế. Mục tiêu là đưa ra một quy trình dự đoán liên kết hiệu quả, có thể áp dụng cho các bài toán tương tự.

2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Dự Đoán

Độ chính xác của mô hình dự đoán liên kết phụ thuộc vào nhiều yếu tố. Chất lượng dữ liệu đầu vào là yếu tố quan trọng nhất. Dữ liệu thiếu hoặc không chính xác có thể dẫn đến kết quả dự đoán sai lệch. Việc lựa chọn các tính năng phù hợp cũng ảnh hưởng lớn đến độ chính xác. Các tính năng nên phản ánh các đặc điểm quan trọng của mối quan hệ giữa các thực thể. Cuối cùng, việc lựa chọn thuật toán phù hợp và điều chỉnh các tham số của thuật toán cũng cần được xem xét cẩn thận.

2.2. Xây Dựng Tính Năng Feature Engineering cho Neo4j

Feature engineering là quá trình trích xuất và biến đổi dữ liệu thô thành các tính năng có thể sử dụng được trong mô hình học máy. Trong bài toán dự đoán liên kết trên Neo4j, các tính năng có thể dựa trên cấu trúc đồ thị, thuộc tính của nút và quan hệ. Ví dụ, số lượng hàng xóm chung (common neighbors), hệ số Jaccard (Jaccard coefficient) và khoảng cách giữa các nút là những tính năng phổ biến. Việc lựa chọn và xây dựng các tính năng phù hợp đòi hỏi sự hiểu biết sâu sắc về dữ liệu và bài toán.

2.3. Đánh Giá và Tối Ưu Hóa Mô Hình Dự Đoán Liên Kết

Sau khi xây dựng mô hình dự đoán liên kết, việc đánh giá và tối ưu hóa là cần thiết để đảm bảo hiệu quả. Các metrics đánh giá phổ biến bao gồm độ chính xác (accuracy), độ chuẩn xác (precision), độ phủ (recall) và F1-score. Việc sử dụng tập kiểm tra (test set) độc lập giúp đánh giá khả năng khái quát hóa của mô hình. Tối ưu hóa mô hình có thể bao gồm việc điều chỉnh các tham số của thuật toán, thêm hoặc loại bỏ các tính năng và sử dụng các kỹ thuật học máy nâng cao.

III. Phương Pháp Dự Đoán Liên Kết Trên Cơ Sở Dữ Liệu Neo4j

Luận văn này sử dụng phương pháp tiếp cận dựa trên học máy để dự đoán liên kết trên Neo4j. Quy trình bao gồm các bước: chuẩn bị dữ liệu, xây dựng tính năng, huấn luyện mô hình và đánh giá mô hình. Các thuật toán học máy được sử dụng bao gồm Random Forest, Logistic Regression và Support Vector Machine (SVM). Các tính năng được xây dựng dựa trên cấu trúc đồ thị và thuộc tính của nút. Mô hình được đánh giá bằng các metrics độ chính xác, độ chuẩn xác, độ phủ và F1-score.

3.1. Chuẩn Bị Dữ Liệu và Xây Dựng Đồ Thị Neo4j

Bước đầu tiên là chuẩn bị dữ liệu và xây dựng đồ thị Neo4j. Dữ liệu được thu thập từ DBLP Citation Network, bao gồm thông tin về các bài báo khoa học và tác giả. Đồ thị Neo4j được xây dựng bằng cách tạo các nút đại diện cho tác giả và bài báo, và các quan hệ đại diện cho mối quan hệ đồng tác giả và trích dẫn. Việc đảm bảo tính chính xác và đầy đủ của dữ liệu là rất quan trọng để đảm bảo hiệu quả của mô hình dự đoán liên kết.

3.2. Lựa Chọn và Huấn Luyện Mô Hình Học Máy

Sau khi xây dựng tính năng, bước tiếp theo là lựa chọn và huấn luyện mô hình học máy. Các thuật toán học máy phổ biến cho bài toán dự đoán liên kết bao gồm Random Forest, Logistic Regression và Support Vector Machine (SVM). Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán. Quá trình huấn luyện mô hình bao gồm việc chia dữ liệu thành tập huấn luyện và tập kiểm tra, và sử dụng tập huấn luyện để huấn luyện mô hình.

3.3. Sử Dụng Ngôn Ngữ Cypher để Truy Vấn và Phân Tích

Ngôn ngữ truy vấn Cypher là một công cụ mạnh mẽ để truy vấn và phân tích dữ liệu đồ thị trong Neo4j. Cypher cho phép người dùng dễ dàng truy vấn các nút, quan hệ và thuộc tính của đồ thị. Nó cũng cung cấp các hàm và thủ tục để thực hiện các phép toán trên đồ thị, chẳng hạn như tính toán số lượng hàng xóm chung và hệ số Jaccard. Việc sử dụng Cypher giúp đơn giản hóa quá trình xây dựng tính năng và đánh giá mô hình dự đoán liên kết.

IV. Ứng Dụng Thực Tế Dự Đoán Đồng Tác Giả Với Neo4j

Luận văn này ứng dụng phương pháp dự đoán liên kết để dự đoán khả năng đồng tác giả giữa các nhà nghiên cứu. Dữ liệu được sử dụng là DBLP Citation Network, bao gồm thông tin về các bài báo khoa học và tác giả. Mô hình được huấn luyện trên dữ liệu lịch sử và được sử dụng để dự đoán khả năng đồng tác giả trong tương lai. Kết quả cho thấy mô hình có khả năng dự đoán khá chính xác, giúp các nhà nghiên cứu tìm kiếm cộng tác viên tiềm năng.

4.1. Phân Tích Dữ Liệu DBLP và Xây Dựng Biểu Đồ Đồng Tác Giả

Dữ liệu DBLP được phân tích để xác định các tác giả và mối quan hệ đồng tác giả giữa họ. Biểu đồ đồng tác giả được xây dựng trong Neo4j, với các nút đại diện cho tác giả và các cạnh đại diện cho mối quan hệ đồng tác giả. Các thuộc tính của nút có thể bao gồm thông tin về lĩnh vực nghiên cứu và số lượng bài báo đã xuất bản. Việc phân tích dữ liệu và xây dựng biểu đồ đồng tác giả là bước quan trọng để hiểu rõ cấu trúc và đặc điểm của mạng lưới nghiên cứu.

4.2. Đánh Giá Hiệu Quả Mô Hình Dự Đoán Đồng Tác Giả

Hiệu quả của mô hình dự đoán liên kết được đánh giá bằng cách so sánh kết quả dự đoán với dữ liệu thực tế. Các metrics đánh giá bao gồm độ chính xác, độ chuẩn xác, độ phủ và F1-score. Kết quả cho thấy mô hình có khả năng dự đoán khá chính xác, giúp các nhà nghiên cứu tìm kiếm cộng tác viên tiềm năng. Tuy nhiên, vẫn còn một số hạn chế, chẳng hạn như khả năng dự đoán sai đối với các tác giả mới hoặc các lĩnh vực nghiên cứu mới.

4.3. Cải Thiện Độ Chính Xác với Thuật Toán Graph Embeddings

Để cải thiện độ chính xác của mô hình, có thể sử dụng các thuật toán graph embeddings. Graph embeddings là kỹ thuật biểu diễn các nút trong đồ thị dưới dạng các vector số, sao cho các nút có cấu trúc tương tự trong đồ thị có các vector gần nhau trong không gian vector. Các vector này có thể được sử dụng làm tính năng trong mô hình học máy, giúp cải thiện khả năng dự đoán. Neo4j cung cấp các thuật toán graph embeddings như Node2Vec và FastRP, giúp đơn giản hóa quá trình xây dựng mô hình.

V. Kết Luận và Hướng Phát Triển Dự Đoán Liên Kết Neo4j

Luận văn đã trình bày một phương pháp tiếp cận dựa trên học máy để dự đoán liên kết trên Neo4j. Phương pháp này đã được ứng dụng để dự đoán khả năng đồng tác giả giữa các nhà nghiên cứu, và kết quả cho thấy tiềm năng của phương pháp trong việc giải quyết các bài toán thực tế. Trong tương lai, có thể nghiên cứu thêm các thuật toán học máy nâng cao, sử dụng các tính năng phức tạp hơn và áp dụng phương pháp cho các bài toán khác.

5.1. Tổng Kết Các Kết Quả Nghiên Cứu Đạt Được

Luận văn đã đạt được một số kết quả nghiên cứu quan trọng. Đã xây dựng được một quy trình dự đoán liên kết hiệu quả trên Neo4j. Đã ứng dụng thành công quy trình này để dự đoán khả năng đồng tác giả giữa các nhà nghiên cứu. Đã đánh giá được hiệu quả của mô hình và xác định được các yếu tố ảnh hưởng đến độ chính xác. Các kết quả này có thể được sử dụng làm cơ sở cho các nghiên cứu tiếp theo.

5.2. Các Hướng Nghiên Cứu Mở Rộng và Phát Triển

Có nhiều hướng nghiên cứu mở rộng và phát triển cho bài toán dự đoán liên kết trên Neo4j. Có thể nghiên cứu thêm các thuật toán học máy nâng cao, chẳng hạn như graph neural networks (GNNs). Có thể sử dụng các tính năng phức tạp hơn, chẳng hạn như thông tin về nội dung của bài báo và lĩnh vực nghiên cứu. Có thể áp dụng phương pháp cho các bài toán khác, chẳng hạn như dự đoán mối quan hệ giữa các sản phẩm trong hệ thống gợi ý. Ngoài ra, việc tối ưu hóa hiệu năng của mô hình và khả năng mở rộng cũng là những hướng nghiên cứu quan trọng.

Trích đoạn nội dung tài liệu

Chương 1: CƠ SỞ DỮ LIỆU ĐỒ THỊ Trong chương đầu tiên này, nội dung luận văn không đi sâu mà chỉ giới thiệu một cách tổng quan về đồ thị, cơ sở dữ liệu đồ thị và Neo4j. Đồng thời cũng trình bày tổng quan về mô hình dữ liệu, ngôn ngữ truy vấn Cyper và thư viện khoa học dữ liệu đồ thị của Neo4j làm cơ sở lý thuyết để tiếp tục đi sâu, phân tích và trình bày nội nội dung chính của luận văn ở các chương tiếp theo. Đồ thị là một mô hình xây dựng trên một tập hữu hạn các đối tượng và những mối quan hệ hai ngôi trên chúng. Một đồ thị G xem như một hệ thống gồm hai tập hợp (hữu hạn) mà ta ký hiệu cho gọn là G = (V, E), trong đó các phần tử của V được gọi là đỉnh và các phần tử của E được gọi là cạnh.

Mỗi cạnh e của đồ thị được xem như hình thành bởi việc liên kết hai đỉnh u và v của đồ thị, và thường viết e = (u, v). Các đỉnh u, v được gọi là các đỉnh mút của e và e được gọi là cạnh nối u với v. Để trực giác, đồ thị thường được biểu diễn trên mặt phẳng, trong đó mỗi đỉnh được vẽ như một điểm và mỗi cạnh được vẽ như một cung nối hai điểm. Trong trường hợp tổng quát nhất của mối quan hệ giữa đỉnh và cạnh, có các trường hợp sau:  Giữa hai đỉnh có thể không có cạnh nối nào: Hình 1.1: Ví dụ về hai đỉnh không có cạnh nối  Giữa hai đỉnh có thể có đúng một cạnh nối: Hình 1.2: Ví dụ về hai đỉnh có một cạnh nối 4  Giữa hai đỉnh có thể có nhiều hơn một cạnh nối: Hình 1.3: Ví dụ về hai đỉnh có nhiều hơn một cạnh nối Như thế, nếu mỗi đỉnh của đồ thị mô tả một đối tượng, thì mỗi cạnh biểu diễn một quan hệ hai ngôi nào đó giữa các đối tượng này.

Thông thường, vai trò của hai đỉnh mút u, v của cạnh e là như nhau, nghĩa là trong biểu diễn e = (u, v), thứ tự của u và v là không quan trọng. Trường hợp này, cạnh e mô tả một quan hệ đối xứng giữa u và v và e được gọi là cạnh vô hướng. Trong một số ứng dụng, người ta đưa thêm hướng vào các cạnh để mô tả những quan hệ không đối xứng. Khi đó cặp đỉnh (u, v) biểu diễn cạnh e cần phải kể thứ tự và e được gọi là cạnh có hướng, đỉnh u được gọi là đỉnh đầu và đỉnh v được gọi là đỉnh cuối của cạnh e.

Để diễn đạt e = (u, v) là cạnh vô hướng, người ta thường nói e là cạnh nối giữa u và v, còn để diễn đạt e = (u, v) là cạnh có hướng, người ta thường nói e là cạnh nối từ u đến v và trên cung biểu diễn nó, người ta thêm vào chiều mũi tên hướng từ u đến v.4: Ví dụ về cạnh có hướng Ngoài ra trong định nghĩa cạnh, người ta cũng cho phép trường hợp cạnh nối một đỉnh với chính nó, nghĩa là e = (u, u). Một cạnh như vậy được gọi là khuyên. Một đỉnh có khuyên mô tả một phần tử có quan hệ đang xét với chính nó.5: Ví dụ về cạnh khuyên Phân loại: Để thuận tiện cho việc nghiên cứu, người ta phân loại đồ thị theo những định nghĩa hẹp hơn với những tên dành riêng. Dưới đây là những phân loại 5 thông thường nhất.

 Đồ thị vô hướng và đồ thị có hướng. Một đồ thị mà tất cả các cạnh của nó đều vô hướng được gọi là đồ thị vô hướng, trái lại đồ thị được gọi là có hướng. Trong nhiều tình huống, một đồ thị vô hướng được xử lý như một đồ thị có hướng bằng cách đồng nhất một cạnh vô hướng bằng hai cạnh có hướng ngược chiều nhau. Ngược lại, nếu bỏ đi các hướng trên các cạnh, thì đồ thị có hướng trở thành đồ thị vô hướng.

 Đơn đồ thị và đa đồ thị. Một đồ thị không có khuyên và giữa hai đỉnh chỉ có nhiều nhất là một cạnh nối được gọi là một đơn đồ thị. Các đồ thị có khuyên hay có nhiều cạnh nối giữa hai đỉnh được gọi chung là các đa đồ thị. Như thế đơn đồ thị là một trường hợp riêng, nhằm nghiên cứu các mô hình mà người ta chỉ quan tâm việc giữa hai đối tượng khác nhau có hay không có mối quan hệ được xét.6: Ví dụ về đồ thị vô hướng với 6 đỉnh và 7 cạnh Biểu diễn đồ thị trên máy tính: Có nhiều cách biểu diễn cấu trúc dữ liệu của Đồ thị như Danh sách cạnh, Danh sách kề, Ma trận kề, Ma trận liên thuộc đỉnh - cạnh.

Ví dụ: Danh sách cạnh ta có thể biểu diễn dưới dạng danh sách với mỗi phần tử là 1 Tuple (nút, nút, quan hệ) 6 Hình 1.7: Cấu trúc dữ liệu theo danh sách cạnh Hay với Ma trận Kề ta phải biểu diễn 2 ma trận khác nhau, mỗi ma trận có kích thước N x N với N là số nút và giá trị tại (X, Y) thể hiện 1 mối quan hệ từ X Y Hình 1.8: Cấu trúc dữ liệu theo ma trận kề Có rất nhiều dạng đồ thị khác nhau được phân tích trong lĩnh vực lý thuyết đồ thị, dưới đây là một số dạng [[2]]: Hình 1.9: Một số dạng đồ thị 7 1. Cơ sở dữ liệu đồ thị. Hệ quản trị cơ sở dữ liệu quan hệ ra đời vào những năm 70 của thế kỉ trước, cho phép các ứng dụng lưu trữ dữ liệu thông qua ngôn ngữ truy vấn và mô hình hóa dữ liệu tiêu chuẩn (SQL). SQL nói chung hay cụ thể như RDBMS là một sản phẩm đã có bề dày sử dụng từ nhiều thập kỷ phát triển công nghệ, cho thấy khả năng ứng dụng và đáp ứng tốt trong thử nghiệm ứng suất thực tế.

Vào thời điểm đó, việc lưu trữ dữ liệu khá tốn kém, tuy nhiên các lược đồ dữ liệu cũng tương đối đơn giản, dễ hiểu nên nhu cầu về một công cụ mới là chưa cần thiết. Càng về sau, công nghệ ngày càng phát triển, nhất là từ khi web nổi lên, khối lượng dữ liệu, thông tin về người dùng, về sản phẩm, đối tượng, sự kiện mà các hệ thống cần phải xử lý giờ đây ngày 1 lớn. Ví dụ như Google, Facebook phải lưu trữ và xử lý một lượng dữ liệu cực lớn mỗi ngày. Ngay cả việc hiển thị một trang web hoặc trả lời một yêu cầu API có thể làm mất hàng chục hoặc hàng trăm yêu cầu cơ sở dữ liệu khi các ứng dụng xử lý thông tin ngày một phức tạp.

Giờ đây thì SQL lại gây một số cản trở với những hạn chế - cụ thể là lược đồ/schema cứng nhắc, thiếu linh hoạt - khiến chúng trở nên ít phù hợp hơn với các loại ứng dụng khác. Để đáp ứng những cần thiết về cơ sở dữ liệu, những cơ sở hạ tầng phục vụ và cả những chiến lược liên tục được các nhà phát triển đưa ra và cũng đã có những thay đổi đáng kể. Những công nghệ đám mây đơn giản hơn và giá cả hợp lý đã xuất hiện để thay thế những máy chủ phức tạp và đắt tiền. Hay nữa là những kĩ sư sử dụng các phương pháp đẩy nhanh tốc độ, nhằm mục đích liên tục phát triển và rút ngắn các chu trình, mục đích để truy vấn dữ liệu với tốc độ nhanh, đáp ứng nhu cầu của người dùng.

Và như vậy, NoSQL đã ra đời để phục vụ những yêu cầu phù hợp với 8 hiện tại. Hệ thống NoSQL lưu trữ và quản trị dữ liệu sao cho có thể hỗ trợ được tốc độ vận hành ở công suất cao và cung cấp tính linh hoạt tuyệt vời cho các nhà phát triển sử dụng. Không giống với cơ sở dữ liệu SQL, rất nhiều cơ sở dữ liệu NoSQL có thể mở rộng theo chiều ngang trên hàng trăm hoặc hàng ngàn máy chủ. Với NoSQL, dữ liệu có thể được lưu trữ theo kiểu không có lược đồ hoặc dạng tự do.

Dữ liệu bất kỳ có thể được lưu trữ trong bản ghi bất kỳ. Trong số các cơ sở dữ liệu NoSQL, có 4 mô hình lưu trữ dữ liệu phổ biến. Do đó, có 4 loại hệ thống NoSQL phổ biến là Document database, Key-value stores, Wide column stores và Graph database. Trong nội dung của luận văn này, tập trung nghiên cứu về cơ sở dữ liệu hướng đồ thị.

Cơ sở dữ liệu đồ thị như Neo4j nhằm mục đích cung cấp cho người dùng một cách tốt hơn để quản lý sự phức tạp của mạng dày đặc của cấu trúc dữ liệu trong tầm tay. Cơ sở dữ liệu đồ thị là cơ sở dữ liệu được thiết kế để coi các mối quan hệ giữa các dữ liệu là quan trọng như nhau đối với bản thân dữ liệu. Nó được thiết kế để lưu giữ dữ liệu mà không cần biến nó thành một mô hình được xác định trước. Thay vào đó, dữ liệu được lưu trữ giống như lần đầu tiên chúng ta vẽ ra – cho biết cách mỗi thực thể riêng lẻ kết nối với hoặc có liên quan với những thực thể khác.

Biểu đồ sau đây cho thấy một ví dụ về biểu đồ mạng xã hội. Với những người (các nút) và các mối quan hệ của họ (các cạnh), bạn có thể tìm ra ai là “bạn của những người bạn” của một người cụ thể. Ví dụ: bạn của những người bạn của Lam.10: ví dụ về CSDL đồ thị mạng xã hội 1. Các mô hình cơ sở dữ liệu đồ thị.

Mô hình đồ thị thuộc tính. Về cơ bản, nó có nghĩa là chúng ta sẽ lưu trữ dữ liệu của mình trong cơ sở dữ liệu đồ thị. Cấu trúc đồ thị có nghĩa là chúng ta sẽ sử dụng các đỉnh và cạnh (hoặc các nút và các mối quan hệ) để lưu trữ dữ liệu một cách liên tục. Do đó, cấu trúc đồ thị cho phép chúng ta [[2]]: • Biểu diễn dữ liệu theo cách tự nhiên hơn.

• Áp dụng các loại thuật toán đồ thị khác nhau trên các cấu trúc này. Tuy nhiên, mô hình đồ thị thuộc tính không phù hợp với tất cả các cấu trúc đồ thị. Cụ thể, nó được tối ưu hóa cho: • Đồ thị có hướng: Các liên kết giữa các nút (còn được gọi là các mối quan hệ) có hướng. • Đồ thị đa quan hệ: Có thể có nhiều mối quan hệ giữa hai nút giống nhau.

Những mối quan hệ này, như chúng ta sẽ thấy ở phần sau, sẽ khác biệt rõ ràng và thuộc một kiểu khác. • Lưu trữ các cặp khóa-giá trị như thuộc tính của các nút và các mối quan hệ.