Property Graph

« Zurück zum Glossar Index

Ein Property Graph ist ein Graphdatenmodell, in dem Knoten und Kanten jeweils eigene Eigenschaften (Properties) in Form von Schlüssel-Wert-Paaren besitzen. Er erweitert das klassische Tripelmodell um flexible Attributstrukturen direkt an Entitäten und Relationen. Property Graphs werden häufig in Graphdatenbanken eingesetzt.

Funktionsweise und Einordnung

Ein Property Graph besteht aus:

Knoten (Nodes)
Repräsentieren Entitäten.
Kanten (Edges)
Repräsentieren Relationen zwischen Knoten.
Properties
Attribute als Schlüssel-Wert-Paare an Knoten oder Kanten.

Beispiel:

Knoten: „Hybrid Search“
Property: {Typ: „Retrieval-Verfahren“, Jahr: „2018“}

Kante:
„Hybrid Search“ – kombiniert – „Dense Retrieval“
Property: {Gewichtung: „0.6“}

Im Unterschied zu RDF:

Properties können direkt an Relationen hängen.
Es gibt keine zwingende URI-Struktur.
Das Modell ist pragmatischer und datenbankorientiert.

Property Graphs werden häufig mit Abfragesprachen wie Cypher genutzt.

Strategische Bedeutung für SEO und AI-Search

Graphbasierte Wissenssysteme gewinnen an Bedeutung.

Implikationen für Generative Engine Optimization:

Klare Entitätsdefinitionen erleichtern Graphmodellierung.
Explizite Relationen unterstützen Wissensintegration.
Strukturierte Attribute verbessern Kontexttiefe.
Konsistenz stärkt graphbasierte Inferenz.

Property Graphs ermöglichen detaillierte Attributmodellierung und komplexe Beziehungsanalysen.

Sichtbarkeit entsteht durch strukturierte Entitätsvernetzung.

Beispiel

Graphstruktur:

Knoten: „BM25“
Property: {Kategorie: „Ranking-Algorithmus“}

Knoten: „Information Retrieval“

Kante:
„BM25“ – wirdVerwendetIn – „Information Retrieval“
Property: {Relevanz: „hoch“}

Diese Struktur erlaubt relationale Abfragen und semantische Verknüpfungen.

Häufige Fragen zu Property Graph

Was unterscheidet Property Graph von RDF?

RDF basiert auf Tripeln ohne direkte Properties an Relationen. Property Graphs erlauben Attribute an Knoten und Kanten. RDF ist stärker standardisiert, Property Graphs pragmatischer.

Warum sind Property Graphs in Graphdatenbanken verbreitet?

Sie sind flexibel und effizient für komplexe Abfragen. Attribute können direkt modelliert werden. Das erleichtert Performance-Optimierung.

Welche Abfragesprachen werden für Property Graphs genutzt?

Häufig wird Cypher verwendet. Auch Gremlin ist verbreitet. Diese Sprachen sind auf Graphstrukturen optimiert.

Welche Rolle spielen Property Graphs in AI-Search?

Sie ermöglichen strukturierte Entitätsnetze mit Attributtiefe. KI-Systeme können diese Strukturen als Wissensbasis nutzen. Besonders bei komplexen Relationen bieten sie Vorteile.