图论是理解大数据的关键吗

现在大数据成为一个热门话题， 然而无论是网页， 产品信息， 车辆的功能， 文本， 病例还是气象等数据， 对数据的理解的第一步就是要理解数据之间的关联。利用图论， 我们将能够进一步提高我们对数据的理解能力，同时构建和分析图论模型将使得我们能够自动获取答案。本文我们将以搜索引擎为例介绍图论在大数据分析中的作用：

如今， Google已经成为了很多人日常生活中不可或缺的一部分，这个搜索引擎巨头通过围绕在它的核心能力也就是对互联网的索引， 把一系列服务整合起来提供给用户。

Google的网络爬虫和PageRank算法使得人们搜索网络的方式发生了革命性的变化。 通过对网页链接数量和重要性的分类， Google能够比竞争对手更快地提供更加相关的信息。

网站和网站之间的链接组成了一个图， 这不是我们通常所说的可视化的图， 而是一种用来表示每个网页如何与其他网页发生关系的模型。

PageRank算法就是采用这种模型来判断一个网页的重要性的。一个网页拥有越多的外部链接， 它的重要性就可能越高， 如果一个网页被更多的权威信息源所引用， 那么这个网页的重要性也就越高。 Google搜索引擎的搜索结果一般来说比竞争对手要更快更好， 就是因为它的算法涵盖了互联网页面之间的绝大部分链接。

把类似的想法应用到其他数据上， 来分析数据之间的关联， 也能够揭示一些数据背后的本质。 告诉我们哪些是相关的， 哪些是重要的。

图论就是研究数据联系的模式

要理解我们如何从数据中得出答案， 我们需要了解我们传统上是如何与数据打交道的。几乎所有的试图从数据中寻找答案的过程都是通过搜索实现的。

搜索首先总是从提出问题开始的。 我们把已知的与数据联系的越好， 我们提出的问题就越可能找到答案。 比如说， 如果你找不到你的钥匙，可能你会问：”我的钥匙在哪里？”。 不过， 这可不是一个容易得到答案的问题。它太宽泛了。 而如果你问：“我的钥匙是不是掉在收银台了？” 这个问题比第一个问题要具体一些。 如果你的钥匙在收银台， 那这个问题就是一个好的问题。如果不是的话， 这个问题也不是个好问题。

对数据库的查询与上述方式类似。 要想得到你想要的结果， 你需要构造一个与你的数据相关的查询条件。 你可以使用的查询语句不计其数， 但是只有少部分能够让你得到你需要的答案。

这样的情况才是数据科学的真正难点所在， 也是为什么好的分析师凤毛麟角的原因。 最好的数据科学家是那些既懂得数据， 又懂得那些提出正确问题的人。

如果把互联网看成数据集的话， 那么搜索引擎就是你的查询工具。

几十年来， 搜索引擎都在抓取网络信息， 索引网页以便能够被搜索到。 通过构造不同的搜索条件， 用户可以得到不同的结果。 搜索引擎服务商们不断的改进他们的产品。然而搜索引擎的真正创新出现在2000年左右。

当时， Google的PageRank算法通过对每个链接以及其链接的内容进行建模。通过图论建模， Google把网页之间的联系进行了量化， 以帮助用户更快地获得相关的结果。 这一算法使用了网页之间的关系来提高搜索结果的质量。 而无论哪种搜索引擎， 用体提供的搜索条件描述性越好， 就越能够得到好的结果。

你的搜索条件与Google的PageRank算法之间建立了一个联系。而Google通过图论建模，建立了一个你的搜索条件与相关页面之间的联系。 如果没有关于相关页面和链接的模型， Google就需要更精确的搜索条件才能得到满意的结果。 然而， 即便是采用更先进的搜索技术， 现在的数据问题也会使得构造一个正确的查询条件变得困难。

现在大数据成为一个热门话题， 然而无论是网页， 产品信息， 车辆的功能， 文本， 病例还是气象等数据， 对数据的理解的第一步就是要理解数据之间的关联。认同这一点的话， 就能够理解为什么图论在将来能够为人们的数据分析提供思路。

今天， 我们对数据的很多分析和研究方式已经被图论深深地影响了。 而在未来， 利用图论， 我们能够进一步提高我们对数据的理解能力。 构建和分析图论模型将使得我们能够自动获取答案。当我们把数据自己联系起来的时候， 数据中隐藏的答案会自己出现。