图计算适用的场景非常广泛。在其肇始的早期阶段，图计算仅限于学术界以及工业界资深的研究机构内部，随着计算机体系架构的发展，图计算也在更广泛的行业和场景中得到应用。按照时间维度我们大体可以把图计算的发展及适用范围分为如下几个阶段：
· 20世纪50-60年代：最短路径算法、随机图理论研究、早期交易系统IBM IMS、；
· 20世纪80-90年代：图标签、逻辑数据模型、对象数据库、关系型数据库的关系模型等；
· 20世纪90年代中叶—21世纪前10年：互联网索引技术、网页搜索引擎；
· 21世纪第二个10年：最早的图数据库的出现、大数据与NoSQL的蓬勃发展、各类图计算框架及多模式数据库的涌现、社交网络的爆发及社交网络分析；
· 21世纪第三个10年（今天）：更广泛的业务场景、创新场景对于图计算及高性能图数据库的应用。
图计算在过去半个多世纪间的发展是伴随着其它主流技术的发展而不断迭代的。以最著名的最短路径算法—迪杰斯特拉（Dijkstra）算法为例，它是位于荷兰阿姆斯特丹的数学中心于1955-1956年间构造的第三代计算机ARMAC，而该机构唯一的计算机程序员迪杰斯特拉是在思考荷兰的两座城市鹿特丹与格罗宁根之间的最短路径问题时仅用了20分钟想到的解决方案（一种典型的带权重的有向图中的广度优先算法），并在ARMAC上面编程验证其算法的准确性（见下图）。该最短路径算法在寻路、交通、导航、路径及资源规划等场景中广泛应用。
阿姆斯特丹数学中心的ARMAC计算机运行了最早的最短路径算法(1956年)
事实上，解决最短路径问题不仅仅局限于迪杰斯特拉（Dijkastra）算法，还有其它，例如：
· Bellman-Ford算法 （1955-1959年）
· A*算法（著名的A星算法）（1968年）
· Floyd-Warshall算法（1962年）
· Johnson’s算法等等（1977年）
……
在图计算逐步融入图数据库后，其应用场景得到了广泛的跨增（取跨度增加之意？），在本文中我们简要地罗列一下不同行业的应用，在后面的文章，笔者再详细地介绍其中一些应用场景和实现原理。
图计算与图数据库的一些应用场景
·反欺诈：金融行业为主、全行业适用。
· 反洗钱：金融监管、银行、大型企业。
· 风控：全行业适用。
· 金融风险管理：信用风险、交易风险、操作风险、风险偏好、量化、科技风险、风险战略、合规与审计、风险穿透与预警等等，多行业适用（以金融行业最为显著）。
· 资债管理、流动性管理等：银行、财务公司等。
· 商务智能、实时决策系统等：全行业适用。
· 基于多源数据的图谱分析系统等：全行业适用。
· 智能营销、推荐系统、客服机器人：全行业适用。
· 药物研制分析：生物制药。
· 潮流分析：电力行业。
· 网络监控：运营商与公有云服务商等。
以上面提到的金融风险为例，有学者已经把风险管理在管理理论层面进行了归类与划分。中国人民大学财政金融学院的陈忠阳教授把金融行业的风险管理分为如下图所示的12个子类：
金融风险管理的12板块（陈忠阳）
图计算技术，赋能金融风险管理12大板块划分：
1.公司金融与信用风险
2.零售小微与信用风险
3.金融市场和交易风险
4.股权、投行与风险
5.资产管理与风险管理
6.保险与风险管理
7.内控合规审计操作风险
8.AIM与流动性风险
9.资本风险偏好管理
10.风险量化与压测
11.金融科技与科技风险
12.风险战略和治理文化
风险的本质是与（收入、回报）预期的偏离和不确定性，而这种偏离和不确定性是需要尽可能的进行量化穿透、精准计量，以及场景模拟和压力测试的。这也是图计算相较于之前的传统的风险管理技术手段更具有优势的地方。在以后的文章中，笔者会进行较为详细的应用场景及实现逻辑剖析的。·END·
（文 / 孙宇熙 Ricky 业界知名高性能计算与存储系统专家、大数据专家、图数据库专家及学者。 ）
预告：下期我们再围绕图存储聊聊