SNS、レコメンド、ナレッジグラフ、サプライチェーン、ネットワーク監視など、関係性（Relation）そのものがデータの本質となる領域では、RDBでは表現が複雑化し、JOINが肥大化し、性能が急激に低下します。
そこで注目されるのが グラフデータベース（Graph Database） です。本記事では、グラフDBを支える理論モデル、クエリパターン、アルゴリズム、RDBとの違いを体系的に解説します。
グラフDBとは？
グラフDBは、ノード（頂点）とエッジ（辺）で構成される「グラフ理論」に基づくデータモデルです。
(User A) ---friend---> (User B) ---liked---> (Product C) - ノード（Node）：人、商品、場所などの実体
- エッジ（Edge）：実体間の関係（friend, follow, buy, route）
- プロパティ（Property）：ノードやエッジに付属する属性
RDBのようにJOINを多用せず、関係を直接オブジェクトとして保持する点が最大の違いです。
データモデル：Property Graph と RDF Graph
① Property Graph（Neo4j, TigerGraph, JanusGraph）
- ノード・エッジに自由な属性を付けられる
- ラベル（Label）で分類可能
例：Neo4jのモデル
(user:User {id: 1, name: "Alice"})-[:FRIEND {since: 2021}]->(user:User {id: 2, name: "Bob"}) ② RDF Graph（SPARQL, Triple Store）
RDFは以下の「三つ組」で世界を表現します：
Subject – Predicate – Object
<Alice> <knows> <Bob> 知識表現・セマンティックウェブ、Google検索のナレッジグラフで利用。
クエリ言語：Cypher / Gremlin / SPARQL
① Cypher（Neo4j）
グラフパターンをそのまま書ける直感的な構文。
// Alice の友達を取得 MATCH (a:User {name: "Alice"})-[:FRIEND]->(friends) RETURN friends; ② Gremlin（Apache TinkerPop）
トラバーサル（経路移動）中心のDSL。
g.V().has("name", "Alice").out("FRIEND") ③ SPARQL（RDF）
SELECT ?friend WHERE { ?alice <name> "Alice" . ?alice <knows> ?friend . } グラフの中心概念：トラバーサル（Traversal）
グラフクエリの本質は 再帰的探索（Traversal） です。
- 隣接（1-hop）探索
- n-hop探索
- パス探索（最短経路など）
- コミュニティ検出（クラスタリング）
最短経路（Shortest Path）
代表的には Dijkstra法、BFS、A* が使われます。
MATCH p = shortestPath((a:City {id:1})-[:ROAD*]-(b:City {id:99})) RETURN p; グラフアルゴリズム：Graph Analyticsの核心
グラフDBの最大の価値は、グラフ固有のアルゴリズムが高速に実行できる点です。
① PageRank（ページ重要度）
Google検索の基礎アルゴリズム。
[ PR(v) = (1 – d) + d \sum_{u \in In(v)} \frac{PR(u)}{Out(u)} ]
② 中心性（Centrality）
- Degree Centrality
- Closeness Centrality
- Betweenness Centrality
ネットワークの重要ノードを見つける。
③ Community Detection（コミュニティ検出）
- Louvain法
- Label Propagation
④ Path Finding（経路探索）
- Dijkstra
- A*
- Bidirectional Search
RDBとグラフDBの比較
| 項目 | RDB | グラフDB |
|---|---|---|
| JOIN | テーブル横断JOIN、増えるほど遅くなる | エッジを直接探索するため高速 |
| モデル | 表形式（リレーショナル） | ノード＆エッジ（グラフ理論） |
| 用途 | 集計・トランザクション | ネットワーク解析・関係探索 |
| スケール | テーブルが増えるほど複雑化 | 関係が増えるほど強くなる |
グラフDBが活きるユースケース
- ソーシャルグラフ（友達・フォロー関係）
- レコメンデーション（同じ商品を見たユーザー）
- ナレッジグラフ（検索エンジン、生成AI基盤）
- 不正検知（多数の関連から異常なパターンを検出）
- ネットワーク管理（ルーティング、依存関係）
- サプライチェーン管理（依存関係追跡）
特に最近は 生成AI × ナレッジグラフ が急成長しています。
高度トピック：グラフストレージとインデックス構造
- 隣接リスト（Adjacency List）
- 隣接行列（Adjacency Matrix）
- Compressed Sparse Row（CSR）
- エッジリスト（Edge List）
- ラベルインデックス
- パスインデックス（最短経路高速化）
多くのグラフDBは CSR + ラベルインデックス を内部に持ち、トラバーサルを高速化しています。
まとめ
- グラフDBは「関係性」を高速に計算するためのデータモデル
- Property Graph と RDF Graph の2系統が存在
- Cypher / Gremlin / SPARQL は用途で使い分け
- 最短経路、中心性、コミュニティなどグラフ固有の分析が可能
- ナレッジグラフ・レコメンド・不正検知などで強力
RDBが苦手とする「関係の深いデータ」を扱う際、グラフDBはデータ基盤の新たな選択肢になります。
