Les bases relationnelles modélisent des entités. Les bases de graphes modélisent des relations. Quand vos questions portent sur les connexions, les chemins, l'influence ou les communautés, les graphes surpassent les approches tabulaires de plusieurs ordres de grandeur.
Matrice de Décision : Quand Utiliser un Graphe
Signal Force Exemple Requêtes avec jointures à profondeur variable (3+) Fort "Trouver tous les fournisseurs liés à une entité signalée en 5 sauts" Relations many-to-many dominantes Fort Réseaux sociaux, moteurs de recommandation Schéma évolue fréquemment Modéré Graphes de connaissances Recherche de chemin est une opération clé Fort Routage logistique, topologie réseau Traversée temps réel Fort Détection de fraude en transaction Données principalement tabulaires Faible Analytique standard — utiliser SQL Agrégations sur gros volumes Faible Data warehouse — utiliser du colonnaire
Taxonomie des Cas d'Usage
tadata
Détection d'anneaux de transactions Résolution d'identité Analyse de réseaux LCB-FT Réseaux de sinistres d'assurance Fraude & risque Graphes de connaissances d'entreprise Recherche sémantique Recommandation de contenu Découverte de médicaments (graphes de molécules) Connaissance & recherche Cartographie des dépendances IT Optimisation de réseaux télécom Visibilité de la supply chain Analyse d'impact Réseau & infrastructure Détection de communautés Identification d'influenceurs Analyse des réseaux organisationnels Cartographie du parcours client Social & influence Réseaux de neurones de graphes (GNN) Prédiction de liens Classification de nœuds RAG augmenté par graphes IA & ML Analytique de graphes Taxonomie des cas d'usage des graphes
Détection d'anneaux de transactions Résolution d'identité Analyse de réseaux LCB-FT Réseaux de sinistres d'assurance Fraude & risque Graphes de connaissances d'entreprise Recherche sémantique Recommandation de contenu Découverte de médicaments (graphes de molécules) Connaissance & recherche Cartographie des dépendances IT Optimisation de réseaux télécom Visibilité de la supply chain Analyse d'impact Réseau & infrastructure Détection de communautés Identification d'influenceurs Analyse des réseaux organisationnels Cartographie du parcours client Social & influence Réseaux de neurones de graphes (GNN) Prédiction de liens Classification de nœuds RAG augmenté par graphes IA & ML Analytique de graphes Taxonomie des cas d'usage des graphes tadata
acc1 (flagged) acc2 acc3 acc4 acc5 acc6 device d1 card c1 phone p1 IP i1 accounts identifiers
acc1 (flagged) acc2 acc3 acc4 acc5 acc6 device d1 card c1 phone p1 IP i1 accounts identifiers Graphe d'entités : les comptes (en bleu) partagent un appareil, une carte et un téléphone en chaîne, ce qui relie les quatre en un seul réseau alors qu'aucune paire de comptes ne partage tout ; acc5 et acc6 ne partagent qu'une IP Extrait de la fiche « Fraud Rings and Anomaly Detection on Graphs » · Demander la fiche complète
Comparaison des Algorithmes
Algorithme Catégorie Ce qu'il trouve Complexité Cas d'usage PageRank Centralité Nœuds importants par structure de liens O(V + E) par itération Classement d'influence Betweenness Centralité Nœuds ponts entre communautés O(V * E) Détection de goulots Louvain Communauté Clusters denses O(n log n) Segmentation, anneaux de fraude Dijkstra Chemin Plus court chemin pondéré O(E + V log V) Routage, supply chain Node2Vec Embedding Représentations vectorielles de noeuds O(V * walk_length) Feature engineering ML
tadata
0.0375 0.0375 0.0375 0.0375 0.463 0.463 0.0375 0.463 0.463 0.0375 0.321 0.321 0.321 0.0375 0.0375 0.888 A B C D Distribution after n steps n A B C D π₀ 0.250 0.250 0.250 0.250 π₁ 0.215 0.215 0.463 0.108 π₂ 0.260 0.260 0.312 0.169 π₃ 0.236 0.236 0.402 0.126 π 0.246 0.246 0.367 0.141 πₙ is within 0.001 of π after n = 11 steps (from any start it converges). π: stationary distribution, the unique solution of π = π·P. πₙ₊₁ = πₙ·P, i.e. πₙ₊₁(j) = Σᵢ πₙ(i)·P(i→j) π₁(A) = 0.25·0.0375 + 0.25·0.463 + 0.25·0.321 + 0.25·0.0375 = 0.215 π = π·P and Σᵢ π(i) = 1 → π = (A 0.246, B 0.246, C 0.367, D 0.141) Where: P(i→j): probability of moving from state i to state j in one step (each row of P sums to 1); πₙ(j): probability of being in state j after n steps (π₀ = start); π: stationary distribution (one more step leaves it unchanged)
0.0375 0.0375 0.0375 0.0375 0.463 0.463 0.0375 0.463 0.463 0.0375 0.321 0.321 0.321 0.0375 0.0375 0.888 A B C D Distribution after n steps n A B C D π₀ 0.250 0.250 0.250 0.250 π₁ 0.215 0.215 0.463 0.108 π₂ 0.260 0.260 0.312 0.169 π₃ 0.236 0.236 0.402 0.126 π 0.246 0.246 0.367 0.141 πₙ is within 0.001 of π after n = 11 steps (from any start it converges). π: stationary distribution, the unique solution of π = π·P. πₙ₊₁ = πₙ·P, i.e. πₙ₊₁(j) = Σᵢ πₙ(i)·P(i→j) π₁(A) = 0.25·0.0375 + 0.25·0.463 + 0.25·0.321 + 0.25·0.0375 = 0.215 π = π·P and Σᵢ π(i) = 1 → π = (A 0.246, B 0.246, C 0.367, D 0.141) Where: P(i→j): probability of moving from state i to state j in one step (each row of P sums to 1); πₙ(j): probability of being in state j after n steps (π₀ = start); π: stationary distribution (one more step leaves it unchanged) Le PageRank de l'exemple fil rouge vu comme une chaîne de Markov : depuis le nœud i, on suit une arête au hasard avec d = 0,85, ou on se téléporte vers l'un des 4 nœuds avec 0,15 (chaque entrée gagne donc 0,15 / 4 = 0,0375). La distribution stationnaire est le vecteur PageRank Extrait de la fiche « Graph Data and Features » · Demander la fiche complète
Comparaison des Plateformes
Capacité Neo4j Amazon Neptune TigerGraph Memgraph Modèle Property graph LPG + RDF Property graph Property graph Langage Cypher (GQL) openCypher + SPARQL GSQL Cypher Déploiement Self-hosted + Aura AWS managé Self-hosted + cloud Self-hosted + cloud Temps réel Bon Bon Excellent Excellent (in-memory) Algorithmes GDS (40+) Limité Analytique intégrée Bibliothèque MAGE Idéal pour Usage général Natif AWS, RDF Haute perf à grande échelle Graphes streaming temps réel
tadata
RDF + OWL + SPARQL Property graph + Cypher / GQL vs global IRIs: merge data across organisations ✓ local node ids Identity need reification or RDF-star (RDF 1.2, in progress) native (w.year above) ✓ Edge properties RDFS / OWL standards, reasoners ✓ none built in Semantics and reasoning verbose prefixes, steeper curve ASCII-art patterns, easy traversals ✓ Developer ergonomics W3C RDF, SPARQL 1.1, OWL 2, SHACL ISO GQL (2024), openCypher Standards Apache Jena, GraphDB, Virtuoso, Stardog, Neptune Neo4j, Memgraph, TigerGraph, Neptune Products
RDF + OWL + SPARQL Property graph + Cypher / GQL vs global IRIs: merge data across organisations ✓ local node ids Identity need reification or RDF-star (RDF 1.2, in progress) native (w.year above) ✓ Edge properties RDFS / OWL standards, reasoners ✓ none built in Semantics and reasoning verbose prefixes, steeper curve ASCII-art patterns, easy traversals ✓ Developer ergonomics W3C RDF, SPARQL 1.1, OWL 2, SHACL ISO GQL (2024), openCypher Standards Apache Jena, GraphDB, Virtuoso, Stardog, Neptune Neo4j, Memgraph, TigerGraph, Neptune Products Pile RDF vs property graphs : choisissez selon le besoin, pas la mode Extrait de la fiche « Knowledge Graphs and Ontologies » · Demander la fiche complète
Ressources