現在大數據成為一個熱門話題， 然而無論是網頁、產品信息、車輛的功能、文本、病例，還是氣象等數據， 對數據的理解的第一步就是要理解數據之間的關聯。認同這一點的話， 就能夠理解為什么圖論在將來能夠為人們的數據分析提供思路。

　　今天， 我們對數據的很多分析和研究方式已經被圖論深深地影響了。 而在未來， 利用圖論， 我們能夠進一步提高我們對數據的理解能力。 構建和分析圖論模型將使得我們能夠自動獲取答案。當我們把數據自己聯系起來的時候， 數據中隱藏的答案會自己出現。現在大數據成為一個熱門話題， 然而無論是網頁， 產品信息， 車輛的功能， 文本， 病例還是氣象等數據， 對數據的理解的第一步就是要理解數據之間的關聯。利用圖論， 我們將能夠進一步提高我們對數據的理解能力，同時構建和分析圖論模型將使得我們能夠自動獲取答案。

　　如今， Google已經成為了很多人日常生活中不可或缺的一部分，這個搜索引擎巨頭通過圍繞在它的核心能力也就是對互聯網的索引， 把一系列服務整合起來提供給用戶。

　　Google的網絡爬蟲和PageRank算法使得人們搜索網絡的方式發生了革命性的變化。 通過對網頁鏈接數量和重要性的分類， Google能夠比競爭對手更快地提供更加相關的信息。

　　網站和網站之間的鏈接組成了一個圖， 這不是我們通常所說的可視化的圖， 而是一種用來表示每個網頁如何與其他網頁發生關系的模型。

　　PageRank算法就是采用這種模型來判斷一個網頁的重要性的。一個網頁擁有越多的外部鏈接， 它的重要性就可能越高， 如果一個網頁被更多的權威信息源所引用， 那么這個網頁的重要性也就越高。 Google搜索引擎的搜索結果一般來說比競爭對手要更快更好， 就是因為它的算法涵蓋了互聯網頁面之間的絕大部分鏈接。

　　把類似的想法應用到其他數據上， 來分析數據之間的關聯， 也能夠揭示一些數據背后的本質。 告訴我們哪些是相關的， 哪些是重要的。

　　圖論就是研究數據聯系的模式

　　要理解我們如何從數據中得出答案， 我們需要了解我們傳統上是如何與數據打交道的。幾乎所有的試圖從數據中尋找答案的過程都是通過搜索實現的。

　　搜索首先總是從提出問題開始的。 我們把已知的與數據聯系的越好， 我們提出的問題就越可能找到答案。 比如說， 如果你找不到你的鑰匙，可能你會問：”我的鑰匙在哪里？”。 不過， 這可不是一個容易得到答案的問題。它太寬泛了。 而如果你問：“我的鑰匙是不是掉在收銀臺了？” 這個問題比第一個問題要具體一些。 如果你的鑰匙在收銀臺， 那這個問題就是一個好的問題。如果不是的話， 這個問題也不是個好問題。

　　對數據庫的查詢與上述方式類似。 要想得到你想要的結果， 你需要構造一個與你的數據相關的查詢條件。 你可以使用的查詢語句不計其數， 但是只有少部分能夠讓你得到你需要的答案。

　　這樣的情況才是數據科學的真正難點所在， 也是為什么好的分析師鳳毛麟角的原因。 最好的數據科學家是那些既懂得數據， 又懂得那些提出正確問題的人。

　　如果把互聯網看成數據集的話， 那么搜索引擎就是你的查詢工具。

　　幾十年來， 搜索引擎都在抓取網絡信息， 索引網頁以便能夠被搜索到。 通過構造不同的搜索條件， 用戶可以得到不同的結果。 搜索引擎服務商們不斷的改進他們的產品。然而搜索引擎的真正創新出現在2000年左右。

　　當時， Google的PageRank算法通過對每個鏈接以及其鏈接的內容進行建模。通過圖論建模， Google把網頁之間的聯系進行了量化， 以幫助用戶更快地獲得相關的結果。 這一算法使用了網頁之間的關系來提高搜索結果的質量。 而無論哪種搜索引擎， 用體提供的搜索條件描述性越好， 就越能夠得到好的結果。

　　你的搜索條件與Google的PageRank算法之間建立了一個聯系。而Google通過圖論建模，建立了一個你的搜索條件與相關頁面之間的聯系。 如果沒有關于相關頁面和鏈接的模型， Google就需要更精確的搜索條件才能得到滿意的結果。 然而， 即便是采用更先進的搜索技術， 現在的數據問題也會使得構造一個正確的查詢條件變得困難。

　　現在大數據成為一個熱門話題， 然而無論是網頁， 產品信息， 車輛的功能， 文本， 病例還是氣象等數據， 對數據的理解的第一步就是要理解數據之間的關聯。認同這一點的話， 就能夠理解為什么圖論在將來能夠為人們的數據分析提供思路。

　　今天， 我們對數據的很多分析和研究方式已經被圖論深深地影響了。 而在未來， 利用圖論， 我們能夠進一步提高我們對數據的理解能力。 構建和分析圖論模型將使得我們能夠自動獲取答案。當我們把數據自己聯系起來的時候， 數據中隱藏的答案會自己出現。