Graph Data Modeling

Graph Data Modeling은 그래프 DB에 무엇을 노드·관계·속성으로 둘지, 그리고 어떤 탐색 질문을 빠르게 만들지를 설계하는 일이다. 좋은 모델은 데이터 분류표가 아니라 자주 실행할 질의의 모양에서 출발한다.

먼저 질문을 쓴다

1. 사용자가 실제로 묻는 경로를 문장으로 쓴다.
2. 그 경로에서 독립 식별자와 생명 주기를 가진 대상을 노드로 정한다.
3. 두 노드 사이의 의미 있는 연결을 방향·타입이 있는 관계로 정한다.
4. 관계 자체의 성질은 관계 속성으로 둔다.
5. 샘플 데이터와 Cypher로 질의·성능을 검증한 뒤 모델을 고친다.

예를 들어 "이 블록을 쓰려면 무엇이 먼저 필요한가"라는 질문은 다음처럼 표현할 수 있다.

TEXTCopy

관계 방향은 문장으로 읽어도 자연스러워야 한다. REQUIRES_BEFORE와 OFTEN_PAIRED는 같은 선으로 보이지만 의미·가중치·탐색 정책이 다르다.

노드, 관계, 속성의 선택

모든 문자열을 노드로 만들면 탐색은 복잡해지고, 모든 관계를 속성으로 만들면 다단계 탐색을 잃는다. 반복해서 연결·필터링할 대상만 그래프로 승격한다.

Cypher의 기본 패턴

CYPHERCopy

• 시작 노드를 ID, label, index로 먼저 좁힌다.
• 관계 타입과 최대 hop을 제한한다.
• 반환량과 경로 수에 상한을 둔다.
• 사용자 입력은 문자열 조합으로 Cypher에 넣지 말고 $parameter로 바인딩한다.

무제한 * 탐색은 고차수 노드에서 후보를 폭발시킨다. 그래프 검색은 "더 많이 연결"하는 기능이 아니라, 정해진 의미 관계만 따라 필요한 컨텍스트를 추가하는 기능이다.

인덱스와 제약

• 고유 ID에는 uniqueness constraint를 둔다. 중복 노드는 traversal과 집계를 왜곡한다.
• 정확 필터에는 range, text, token index를 사용한다.
• 의미 검색에는 vector index, 키워드 검색에는 full-text index를 사용한다.
• 인덱스는 데이터 모델의 대체물이 아니다. 먼저 질의 패턴과 관계 방향을 고친다.

RAG와 결합하는 방법

Mermaid스크롤로 확대 · 드래그로 이동
Copy

벡터 검색으로 semantic seed를 찾고, 그래프에서 전제·의존·공동 사용 관계를 제한적으로 확장하는 방식은 Hybrid RAG Search에 적합하다. 그래프가 이미 정교한 도메인 사실을 갖고 있다면 자연어를 Text-to-Cypher로 바꾸는 방식도 가능하지만, 생성된 Cypher는 allowlist·파라미터·읽기 전용 권한으로 제한해야 한다.

관련

• Knowledge Graph
• Ontology
• GraphRAG
• Lexical Graph RAG
• Hybrid RAG Search
• Graph Traversal Retrieval
• Query Transformation

공식 문서

• Neo4j 그래프 데이터 모델링
• Cypher 질의 개요
• Neo4j 인덱스
• Neo4j GraphRAG Retriever