整体上说一下它的思想是通过关系数据库进行存储图结构的数据加上Dijkstra算法来进行数据的存储和图数据的搜索。该算法第一步先是先是匹配所有关键词的关键节点，并且以每个关键节点为源节点进行一次Dijkstra算法对
2、算法
3、BLINK
这个实现是解决了大图问题，通过对图进行分割，形成超图的概念，加载内存只需要把超图进来，当需要遍历这个超图节点的时候，再将超图节点里面的明细节点加载到内存，基于这个概念可以很好的解决节点数量大而受内存的限制，这个算法有点类似地图的放大镜，当需要展示某一块(超图节点)的时候，则加载当前块的内容，用户就会看到更加明细的地图信息。具体算法，可以点击标题，看看它的论文。
三、NEO4J预览
在NEO4J官方文档里面会看到下面几点介绍图数据库。
“AGraph—recordsdatain→Nodes—whichhave→Properties”
上面很简单明了的介绍了图是什么，图是以节点存储记录数据，而节点数据是以属性形式关联节点。
“Nodes—areorganizedby→Relationships—whichalsohave→Properties”
这句话说明了关系在图中的作用，可以理解节点是通过关系来进行组织和管理，并且关系也可以包裹属性信息。
“Nodes—aregroupedby→Labels—into→Sets”
在图中标签的作用就是对节点进行分组，并且同一个标签的节点会放到一个集合中，这个有点类似上面说的对图进行分割。比如：给节点贴上一个“人”的标签，那么当对图进行搜索的时候，当指定“人”这个标签的时候，那么只会找到所有人的节点，而不会找到猫，狗等节点。这样可以提高图的遍历速度，而且可以更好的管理图的节点。
“ATraversal—navigates→aGraph;it—identifies→Paths—whichorder→Nodes”
一个路径的遍历，它可以正确的导航整个图的结构遍历，并且它可以对应一系列路径，这些路径则是将所有节点串联起来。这个解释了搜索在图中的定位，一条搜索可以对应多条路径，也就是多条结果，而每个结果包含一系列节点。
“AnIndex—mapsfrom→Properties—toeither→NodesorRelationships”
图中的建立索引的数据来自于节点和关系的属性，并且索引会直接映射到节点和关系。这样可以通过索引遍历图中的节点和关系，以得到结果。
“AGraphDatabase—managesa→Graphand—alsomanagesrelated→Indexes”