图数据建模是一种组织数据的方法，它使用节点和边来表示实体及其关系。与依赖表格和外键的传统关系数据库不同，图模型直接映射数据点之间的连接，使其能够有效地处理相互连接的数据。节点代表实体，如用户、产品或位置，而边定义它们之间的关系，如“朋友”或“已购买”。每个节点和边也可以存储属性（键值对）来添加上下文——例如，用户节点可能有一个“name”属性，而“已购买”边可能包含一个“date”属性。这种方法将关系作为一等公民进行优先考虑，从而简化了遍历复杂连接的查询。
图建模的一个常见用例是社交网络。考虑一个用户可以相互关注并与帖子互动的平台。在关系数据库中，查询“朋友的朋友”需要多次连接，这可能会随着数据的增长而变慢。在图模型中，每个用户都是一个节点，而“关注”或“喜欢”之类的关系是边。遍历这些连接速度更快，因为这些关系存储为节点之间的直接指针。另一个例子是推荐引擎：通过“已购买”边连接到用户节点的产品节点可以快速识别具有相似品味的用户购买的商品。欺诈检测系统也受益于通过映射账户之间的交易模式来构建图，从而更容易发现可疑的集群。
从技术角度来看，Neo4j 或 Amazon Neptune 等图数据库实现了此模型，使用 Cypher 或 Gremlin 等查询语言。例如，Cypher 允许开发人员编写直观的查询，例如 MATCH (user:User)-[:PURCHASED]->(product:Product) RETURN product 来查找用户购买的所有产品。当应用程序的价值取决于关系时（如地图中的路线规划或软件项目中的依赖性分析），图特别有用。但是，它们可能不适合简单、孤立的数据。当关系是动态的、深度嵌套的或需要实时遍历时，开发人员应选择图建模，因为它避免了关系系统中复杂连接的开销。