应用场景

营收增长

图数据库GDB提供智能搜索推荐一体化服务，能够精准理解用户的想法，并向用户推荐想要的商品，用户也可以根据业务场景定制方案，以提升核心业务指标，实现业务营销收入的增长。例如，某奢侈品电商在核心搜索业务渠道接入阿里云智能搜索推荐服务，助力客户优化搜索推荐结果，打造“猜你喜欢”的个性化推荐方案，新用户平均GMV提升61.88%，平均点击率提升18.44%。

金融风控

传统的金融风控模型，能够汇集各个数据源的属性特征信息，但是比较难挖掘数据源之间的深度关联关系。要深度并且快速的挖掘海量数据的关联特征，使用传统的方法则会面临非常大的技术挑战。通过图表示学习技术，提取知识图谱中的拓扑信息特征，作为风控模型的输入条件，参与模型训练，可以帮助金融机构构建更高精度的风控模型。

商品推荐

基于图的推荐算法是当前推荐系统中的一种重要的技术方向，在兼顾了推荐精度的同时，还能让模型具备较好的可解释性。通过图的共性关系发现和分析方法，通过计算共同邻居数进行相似节点推荐。适用于电商、保险的商品推荐场景。

社交推荐

图数据库GDB可以轻松应对海量高度互连社交数据的实时存储和高效查询，帮助您快速构建复杂的社交网络系统。例如，在一个典型的社交网络中，常常会存在“谁认识谁，谁上过什么学校，谁常住什么地方，谁喜欢什么餐馆”等查询，传统关系型数据库对于超过3张表关联的查询往往会很低效甚至无法支持，但图数据库从基因层面提供了解决方案，轻松应对社交网络的各种复杂存储和查询。

循环担保检测

金融场景中，债权人所持有的债券是否超过检测抵押物多次担保的价值，对于风险控制尤为重要。图计算中的环检测算法为核心，找到图中闭环连接，帮助金融机构发现抵押物和债权人之间的深层关联关系，从而实现降低风控成本的目的。

异常指标监控

交易如电子支付、移动支付发展的同时，也带来了更为严峻的交易安全问题。为防止违法金融行为带来经济损失，通过使用异常检测算法在网络金融交易领域的应用，准确识别网络金融交易中存在的异常交易情况，及时阻止违法金融行为。通过图数据库，识别支付用户的设备信息、支付环境信息、转账信息、社交信息，检测可能出现的异常风险，提高支付的安全性。

违规团伙挖掘

很多平台上都有团伙作案的场景出现，如团伙性信用卡套现、羊毛党，甚至于团伙性的违法、犯罪性活动。团伙性作案的核心特征是，其成员之间具备某种关联关系，或行为之间具备某些相似特征。通过图结合机器学习的方式，提取团伙关系图谱之中的拓扑关系信息，以已知团伙信息作为样本，训练机器学习模型，针对目标节点进行分类，或其关系进行预测。