信息检索 (IR) 中基于图的方法将数据建模为相互连接的节点和边，以捕获实体（例如文档、术语或用户）之间的关系。 这些方法利用图的结构来分析连接、识别模式并改进检索任务，例如排名、推荐或查询理解。 通过将数据表示为图，IR 系统可以利用基于链接的相关性、社区检测或传播算法来增强结果。
一个关键应用是在网络搜索中，页面和超链接形成一个图。 像 PageRank 这样的算法根据页面的传入链接为其分配重要性分数，从而优先考虑权威来源。 同样，术语-文档图对单词在文档中的出现方式进行建模，从而实现查询扩展等技术。 例如，如果用户搜索“机器学习”，系统可能会通过分析图中共同出现的模式，将查询扩展为包括“神经网络”等相关术语。 社交网络也使用基于图的 IR 进行推荐：如果两个用户已连接并拥有共同兴趣，他们的交互可以为个性化内容建议提供信息。
图还可以改进以实体为中心的搜索，例如链接概念的知识图（例如，“爱因斯坦”→“相对论”）。 在这里，IR 系统遍历边以检索上下文相关的答案。 挑战包括可扩展性，因为大型图需要高效的存储和遍历（例如，使用邻接表或分布式系统）。 然而，像图数据库（Neo4j、Amazon Neptune）和框架（Apache Giraph）这样的工具简化了实现。 对于开发人员来说，集成图方法通常涉及构建邻接矩阵、应用遍历算法 (BFS、DFS) 或使用图嵌入将节点转换为向量以进行机器学习。 这些方法提供了灵活性，但需要仔细调整以平衡准确性和计算成本。