手机淘宝购物时，手淘上有猜你喜欢页面来推荐你可能会感兴趣的商品；使用优酷观看电影时，页面上也会推荐你可能喜欢的电影列表。个性化推荐的应用非常广泛，帮助企业挖掘潜在的用户需求、提高转化率的同时，也能够有效提升用户体验度。个性化推荐基于用户的历史行为习惯，商品、电影本身的属性等数据集，这些数据之间相互关联，应用推荐策略时需要利用这些数据之间复杂的关联关系，因此使用图数据库来存储这些数据是非常合适的。
建模
本文以书籍的个性化推荐举例，来说明如何使用图数据库的个性化推荐应用。
图数据库GDB目前支持的图模型是属性图，属性图将存储的基本元素分为点（Vertex）、边（Edge）和属性（Property），每个Vertex或Edge都有一个标签（Label）来代表它的类型。在书籍个性化推荐中，我们可以定义如下的基本元素：
- Vertex：书籍（Book）、出版商（Publisher）、作者（Author）、读者（Reader）。
- Edge：出版（Publish）、写作（Write）、打分（Score）。
- Property：名字（name）、类型（type）、年龄（age）、出版年份（year）。
代码实现
现在请您给用户名为“小明”的读者推荐书籍，直观想法是“找到那些和小明评价过相同的书的读者，把他们评价过的其它书推荐给小明”。
图数据库GDB目前支持的查询语言是Gremlin，下面使用Gremlin语句来实现：
- 找到小明。
g.V().hasLabel('Reader').has('name','小明') - 找到小明评价过的书。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score') - 找到跟小明评价过相同书籍的其他人。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')) - 找到这些人看过的小明没有看过的书。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')).out('Score').where(not(within('scored_books')))