做风控的朋友讲过一件事：有个团伙用几十个账号轮流下单，每个账号单独看都正常。想把这批人挖出来，靠订单表一层层 join 要写很深的查询，后来把手机号、收货地址、设备号、银行卡全画成一张网，几个账号共用一台设备、一张收款卡，一眼就看出是一条线串起来的。这张网，就是常说的关联网络。

节点和边是它的全部家当

关联网络的表示方法不复杂：实体当节点，关系当边。人、手机号、银行卡、设备都是节点；转账、同设备登录、共用地址就是边。边上还能挂属性，比如这两个人之间转过 12 次账、合计 3 万多元。

数据结构里这叫图，分有向和无向。转账是有向的，谁转给谁要分清；同住一个地址是无向的，两边对等。

哪些地方真的在用

  • 金融风控：找团伙欺诈，看二度关系内有没有撞上黑名单的节点
  • 推荐系统：用户、商品、类目连成网，顺着边找你可能感兴趣的东西
  • 知识图谱问答：把人物、机构、事件连起来，回答谁和谁是什么关系
  • 社交传播：好友推荐、谣言扩散路径追踪，本质都是在图上找路径

落地一般用什么工具

专门的图数据库有 Neo4j、NebulaGraph 这类，查询语言就是为找关系设计的。Neo4j 的 Cypher 写起来像画图，比如查所有发生过转账关系的人：

MATCH (a:Person)-[:转账]->(b) RETURN a, b LIMIT 20

关系型数据库不是做不了，多层关系要 join 很多次，表一大就慢；图数据库把跳数查询做成原生能力，几度关系一把查完。

什么时候不必上这套

数据就是简单的订单、用户两张表，关联只有一两层，MySQL 加索引足够，别为了赶时髦上图库。图数据库的建模和运维成本不低，属性频繁变更时有些图库写入还吃力。

判断标准很简单：核心问题是不是「找关系」。问题围绕人与人的链路、物与物的连接，就按关联网络的思路建模；问题围绕单条记录的增删改查，老老实实用表。