그래프 데이터 분석 알고리즘 (PageRank, BFS)

핵심 인사이트 (3줄 요약)

본질: 그래프 데이터베이스(Graph DB)는 데이터를 엑셀 같은 고립된 표(Table)가 아니라, 개체(Node)와 그들을 잇는 관계(Edge)의 네트워크로 태생부터 직조하여 저장하는 저장소다. 이 구조 위에서 작동하는 분석 알고리즘은 복잡하게 얽힌 연결망 속에서 '최단 경로(BFS)'와 '숨겨진 절대적 영향력(PageRank)'을 직관적인 횡단(Traversal)만으로 추출해 낸다.

가치: 관계형 DB(RDBMS)에서 수십 번의 자기 참조 조인(Self-JOIN)을 유발하여 시스템을 마비시키는 "내 3단계 건너 친구 중 가장 인플루언서인 사람은?" 같은 극악의 질의를, 그래프 DB는 조인 연산 없이(Index-Free Adjacency) 밀리초(ms) 단위의 쾌속 스캔으로 대답함으로써 소셜 네트워크, 사기 탐지(FDS), 추천 엔진의 근간을 이룬다.

융합: 고전적인 수학 그래프 이론에서 출발한 BFS와 PageRank는 오늘날 단순 탐색을 넘어, 노드 간의 관계 특성을 머신러닝의 피처(Feature)로 추출하는 GNN (Graph Neural Network)의 핵심 전처리 파이프라인으로 융합되어 AI의 추론 능력을 2차원에서 3차원적 관계망으로 확장시키고 있다.

Ⅰ. 개요 및 필요성 (Context & Necessity)

개념: 그래프 DB 분석 알고리즘은 노드(Node, 데이터 점)와 엣지(Edge, 노드를 잇는 선)로 구성된 데이터 모델을 순회(Traversing)하며 위상수학적(Topological) 의미를 도출하는 연산 집합이다. 대표적으로 거리를 측정하는 **BFS (너비 우선 탐색)**와 네트워크 내 중요도 스코어를 매기는 **PageRank (페이지랭크)**가 있다.
필요성: 전통적인 RDBMS 환경에서 '관계'는 외래 키(Foreign Key)라는 꼬리표에 불과하다. 만약 은행에서 "A 계좌에서 출금된 돈이 5번의 징검다리 이체를 거쳐 최종적으로 마피아 두목의 B 계좌로 흘러 들어갔는가?"를 추적하려면, 이체 테이블을 최소 5번 JOIN 해야 한다. 빅데이터 환경에서 테이블이 커질수록 다중 조인은 Cartesian Product(카테시안 곱)의 폭발을 일으키며 CPU와 메모리를 태워버린다. 복잡하게 얽힌 현대의 초연결 사회(하이퍼 커넥티드 사회)에서는 "데이터 자체의 값"보다 "데이터가 누구와 연결되어 있는가"라는 문맥(Context)이 범죄를 색출하고 매출을 견인하는 진짜 단서다. 관계를 풀기 위해 표(Table)를 억지로 엮어내는 관계형 DB의 족쇄를 끊어버리기 위해 관계를 1등 시민(First-class citizen)으로 대우하는 그래프 아키텍처가 필수적으로 요구되었다.
등장 배경 및 기술적 해결: 수학자 오일러의 쾨니히스베르크 다리 건너기 문제에서 태동한 그래프 이론은, 1990년대 후반 구글(Google)의 창업자 래리 페이지가 전 세계 웹문서의 연결 고리를 분석해 가장 권위 있는 문서를 찾아내는 PageRank 알고리즘을 발표하며 산업적 대폭발을 맞았다. 이후 Neo4j, Amazon Neptune 등 전용 그래프 스토리지 엔진이 등장하면서, 디스크 포인터가 데이터가 아닌 '연결된 이웃 노드'를 직접 가리키는 Index-Free Adjacency(인덱스 없는 인접성) 기술을 완성했다. 이를 통해 수백만 개의 점과 선을 건너뛰는 알고리즘 연산이 실시간(Real-time) 비즈니스 영역으로 진입하게 되었다.

이 다이어그램은 RDBMS의 무거운 조인(JOIN) 연산과 그래프 DB의 직접 횡단(Traversal) 방식을 대비하여 속도 차이의 근본 원인을 해부한다.

  ┌───────────────────────────────────────────────────────────────┐
  │         RDBMS의 JOIN 지옥 vs Graph DB의 직접 횡단(Traversal) 비교      │
  ├───────────────────────────────────────────────────────────────┤
  │                                                               │
  │  [A. RDBMS 방식: "A의 친구의 친구를 찾아라"]                      │
  │                                                               │
  │   User 테이블 ──▶ (PK-FK 매칭 스캔) ──▶ Friend 맵핑 테이블 (1차 JOIN)│
  │        ▼                                                      │
  │   (다시 User 테이블 스캔) ◀── (매칭) ── Friend 맵핑 테이블 (2차 JOIN)│
  │   ★ 결과: 인덱스를 아무리 잘 타도, 단계가 깊어질수록 O(N^k)로 연산량 폭발 💥│
  │                                                               │
  │  [B. Graph DB 방식: Index-Free Adjacency]                     │
  │                                                               │
  │   [ Node: A ] ────(알고 지냄)────▶ [ Node: B ]                   │
  │                                     │                         │
  │                                 (알고 지냄)                    │
  │                                     ▼                         │
  │                                 [ Node: C ]                   │
  │                                                               │
  │   ★ 작동 원리: A 노드의 디스크 블록 안에는 B 노드가 있는 메모리 주소가   │
  │              아예 하드코딩(포인터)되어 있음. 인덱스(B-Tree)를 뒤질 필요 │
  │              없이 주소만 따라 점프(Pointer Chasing)하면 끝! 🚀        │
  └───────────────────────────────────────────────────────────────┘

[다이어그램 해설] 이 구조도는 왜 그래프 DB가 관계 추적에서 RDBMS를 수천 배 이상 압도하는지를 증명하는 물리적 진실이다. A 방식의 RDBMS는 두 사람의 관계를 증명하기 위해 매번 무거운 B-Tree 인덱스 루트부터 리프 노드까지 타고 내려가서 아이디가 일치하는지 비교(JOIN)하는 엄청난 논리적 오버헤드를 치른다. 반면 B 방식의 그래프 DB는 **Index-Free Adjacency (인덱스 없는 인접성)**라는 미친 스토리지 엔진을 쓴다. 노드 A가 디스크에 저장될 때, 그 옆에는 A와 선으로 연결된 B 노드의 '실제 물리적 디스크 주소(메모리 포인터)'가 함께 저장된다. 따라서 "A의 친구"를 찾을 때 검색이나 조건 비교를 할 필요가 전혀 없다. 그저 저장된 포인터 주소를 보고 메모리를 점프, 점프만 하면 된다. 연결의 깊이가 1단계이든 10단계이든 상관없이 탐색 시간은 오직 연결된 선의 개수에만 비례하게 되어, 실시간 사기 탐지 경로 추적이 가능해지는 마법이 일어난다.

📢 섹션 요약 비유: RDBMS는 "A의 친구를 찾기 위해 전교생 1,000명의 이름이 적힌 명부를 처음부터 끝까지 다 읽어보며 일치하는 사람을 뽑아내는 방식"이고, 그래프 DB는 "A의 허리에 붉은 실을 묶어놓고, 그 실이 팽팽하게 이어진 사람들을 쓱쓱 끌어당기기만 하면 바로 친구들이 튀어나오는 방식"입니다.

Ⅱ. 아키텍처 및 핵심 원리 (Deep Dive)

1. BFS (Breadth-First Search, 너비 우선 탐색) - 최단 경로 찾기

BFS는 출발 노드에서 가까운 이웃부터 동심원을 그리듯 탐색 영역을 넓혀가는 알고리즘이다.

작동 매커니즘:
1. A에서 출발하여 1촌(친구)인 B, C, D를 큐(Queue)에 넣고 모두 방문한다.
2. 그다음 2촌(친구의 친구)들을 큐에 넣고 방문한다.
3. 목표를 찾을 때까지 이 파문을 넓혀간다.
실무 유스케이스:
- 최단 경로 (Shortest Path): 지하철 내비게이션에서 출발역과 도착역을 잇는 가장 적은 환승 횟수 찾기.
- 인맥 연결 고리 (Degree of Separation): 링크드인(LinkedIn)에서 "당신과 일론 머스크는 3단계 건너 아는 사이입니다"라는 연결 다리(Path) 보여주기.

2. PageRank (페이지랭크) - 랭킹 및 인플루언서 추출

네트워크 구조를 활용해 각 노드의 상대적 '중요도'를 재귀적 수학 방정식으로 도출하는 알고리즘이다.

작동 매커니즘 철학: "중요한 노드로부터 링크를 많이 받은 노드는, 자신도 중요한 노드일 것이다."
수학적 감쇠 (Damping Factor): 무한 루프에 갇히는 것을 막기 위해, 사용자가 링크를 계속 타다가 어느 순간 흥미를 잃고 랜덤한 다른 페이지로 점프할 확률(일반적으로 0.85)을 수식에 적용하여 계산을 수렴(Convergence)시킨다.

  ┌──────────────────────────────────────────────────────────────────┐
  │        PageRank 알고리즘의 권력 분배(Influence Flow) 메커니즘        │
  ├──────────────────────────────────────────────────────────────────┤
  │                                                                  │
  │  [ 점수 배분 구조도 ]                                                │
  │                                                                  │
  │  👤 일반 노드 X (1점) ──▶ 👑 인플루언서 노드 A (100점)                │
  │  👤 일반 노드 Y (1점) ──▶ │                                      │
  │  👤 일반 노드 Z (1점) ──▶ │                                      │
  │                           │ (A는 100점의 거대한 권력을 갖게 됨)           │
  │                           ▼                                      │
  │                      [ 💎 슈퍼스타 노드 B (?) 점 ]                 │
  │                                                                  │
  │  ★ 수학적 역학 관계:                                                │
  │   - 노드 B는 오직 A라는 단 1명에게서만 화살표(추천)를 받았다.              │
  │   - 일반 노드 C가 10명의 일반인에게 화살표를 받았다고 치자 (10점).           │
  │   - 그러나 노드 B는 엄청난 점수를 가진 A(100점)가 자신의 모든 권력을 B에게 │
  │     몰아주었으므로, B의 페이지랭크 점수는 C보다 압도적으로 높게 책정된다!   │
  │                                                                  │
  │   ▶ 핵심 철학: "누구에게 투표를 받았는가"가 추천의 양보다 질을 결정한다.   │
  └──────────────────────────────────────────────────────────────────┘

[다이어그램 해설] 페이지랭크는 단순한 인기투표가 아니다. 가짜 추천(Spam)을 걸러내는 자정 작용을 갖춘 민주주의적 수학 모델이다. 수천 개의 스팸 블로그가 무의미하게 자기들끼리 링크를 주고받아 봤자 각 노드의 점수는 0.001점일 뿐이다. 반면, 세계 최고 권위의 뉴욕타임스 웹사이트(점수 10,000점) 메인 화면에 내 개인 블로그로 연결되는 링크가 단 1개라도 걸린다면, 내 블로그의 점수는 순식간에 수천 점으로 폭등하여 구글 검색 최상단에 꽂히게 된다. 은행의 자금 세탁 탐지에서도 마찬가지다. 아무리 일반 계좌 수천 개와 돈을 주고받아도 의심되지 않지만, 이미 경찰에 요주의 감시 대상(블랙리스트 점수 높음)으로 등록된 대포통장으로부터 단 한 번이라도 큰돈이 송금되었다면, 그 즉시 내 계좌의 위험도(Fraud Rank) 점수가 폭증하며 계좌가 동결된다. 이것이 그래프 위상수학이 가진 통찰의 힘이다.

📢 섹션 요약 비유: 물탱크에서 물이 파이프를 타고 흘러갈 때, 얇은 파이프 수백 개에서 물을 받는 컵보다, 거대한 폭포수가 쏟아지는 엄청나게 굵은 파이프 단 한 개에서 물을 받는 컵에 훨씬 더 빨리 물이 차오르는 것과 완벽히 같은 이치입니다.

Ⅲ. 융합 비교 및 다각도 분석 (Comparison & Synergy)

분석 알고리즘 간 특성 비교 매트릭스

그래프 알고리즘은 목적에 따라 '탐색형'과 '중앙성/군집형'으로 완벽히 나뉜다.

알고리즘 종류	핵심 목적 (Objective)	작동 특성	주요 활용 도메인
BFS (너비 우선)	최단 거리 및 도달 가능성(Reachability) 탐색	넓게 퍼지며 검색, 가중치 없는 동등한 간선(Edge) 구조에 유리	소셜 네트워크 1촌/2촌 찾기, 최단 환승 내비게이션 경로 도출
DFS (깊이 우선)	미로 찾기 및 모든 가능한 경로의 끝까지 깊게 추적	한 우물만 끝까지 판 뒤 막히면 돌아옴 (Backtracking)	복잡한 룰 기반의 의사결정 트리 시뮬레이션, 게임 트리 탐색
PageRank	노드의 글로벌 중요도(Centrality) 및 위상 스코어링	전체 그래프 구조를 반복 계산(Iteration)하여 점수 수렴	검색 엔진 검색어 랭킹, 논문 인용(Citation) 지수 산정
Community Detection	수많은 점 중 끈끈하게 뭉친 '파벌(Cluster)'을 색출	노드 간 연결 밀도를 계산하여 커뮤니티 경계선을 그음 (Louvain 등)	불법 사기 조직 링(Fraud Ring) 일망타진, 타겟 고객 군집 세분화

머신러닝(GNN)과의 파괴적 시너지

현대 AI 아키텍처에서 PageRank와 같은 그래프 알고리즘은 단독으로 쓰이기보다 **GNN (Graph Neural Network)**의 핵심 피처(Feature) 전처리기로 융합되고 있다. 기존 딥러닝이 고객의 나이, 성별 같은 고립된 정보만으로 상품을 추천했다면, 이제는 "이 고객의 PageRank 인싸 점수"와 "특정 커뮤니티에 속할 확률"을 그래프 알고리즘으로 먼저 뽑아낸 뒤, 이를 텐서(Tensor) 데이터에 추가하여 GNN 모델에 먹임으로써 추천의 정확도(Accuracy)를 비약적으로 상승시키는 파이프라인이 트렌드로 자리 잡았다.

📢 섹션 요약 비유: BFS가 지도를 보며 "우리 집에서 시청까지 가장 빨리 가는 길"을 손가락으로 짚어내는 작업이라면, PageRank는 지도 전체를 위에서 굽어보며 "모든 차들이 결국 어디로 가장 많이 모여들어 교통체증(핫플레이스)이 생기는가?"를 예측하는 더 거시적인 통찰 작업입니다.

Ⅳ. 실무 적용 및 기술사적 판단 (Strategy & Decision)

실무 시나리오 및 설계 안티패턴

시나리오 — 이상 거래 탐지 시스템(FDS)의 RDBMS 한계 노출: 금융사에서 보이스피싱 자금 흐름을 차단하기 위해, "A가 송금한 B가 다시 C에게 송금하고 그 C가 블랙리스트 계좌에 돈을 넣었는가?"라는 3 Depth 룰을 RDBMS SQL로 구현했다. 그러나 쿼리 응답이 10초가 넘어, 고객이 돈을 이체하고 이미 도망간 뒤에야 뒤늦게 알람이 울리는 치명적 실패를 겪었다.
- 의사결정: 금융 트랜잭션 테이블을 Neo4j와 같은 속성 그래프(Property Graph) 데이터베이스로 실시간 마이그레이션한다. 계좌를 노드(Node)로, 송금을 엣지(Edge)로 모델링하고, Cypher 언어를 사용해 MATCH (a)-[:TRANSFER*1..3]->(black:Account {status: 'blacklist'}) 처럼 3단계 가변 길이 횡단(Variable-length Path) 쿼리를 구성한다. 이를 통해 조인 오버헤드를 소멸시키고 0.05초 만에 자금 흐름을 탐지해 이체 자체를 트랜잭션 단에서 강제 롤백시키는 실시간 차단 아키텍처로 탈바꿈한다.
안티패턴 — 단순 CRUD 도메인에 무분별한 Graph DB 도입: 단순히 사용자 정보를 게시판에 보여주고, 댓글을 다는 전통적이고 단편적인 웹 서비스 아키텍처를 "최신 기술"이라며 무턱대고 그래프 DB로 설계한 경우.
- 결과: 그래프 DB는 관계 탐색에는 광속이지만, 대용량 데이터를 단순 집계(SUM, GROUP BY)하거나 대규모 범위 검색(WHERE age BETWEEN 20 AND 30)을 할 때는 파티셔닝 구조의 부재로 인해 전통적 RDBMS나 컬럼형 DW보다 속도가 심각하게 처진다.
- 해결책: 폴리글랏 퍼시스턴스(Polyglot Persistence) 원칙에 입각해야 한다. 회원 정보나 결제 원장은 MySQL에 저장하여 트랜잭션 무결성(ACID)을 지키고, 오직 "친구 추천 기능"이나 "사기 탐지" 모듈에서만 백그라운드 이벤트 스트림을 통해 그래프 DB로 데이터를 이관시켜 비동기로 분석하는 마이크로서비스(MSA) 이원화 전략을 취하는 것이 기술사적 정석이다.

그래프 DB 및 알고리즘 도입 의사결정 트리

데이터 모델의 본질을 파악하지 못하면 비싼 장난감만 사게 된다.

  ┌───────────────────────────────────────────────────────────────────┐
  │           그래프 데이터베이스(Graph DB) 도입 분석 의사결정 트리            │
  ├───────────────────────────────────────────────────────────────────┤
  │                                                                   │
  │   [해결하고자 하는 비즈니스 핵심 질의(Query) 분석]                        │
  │                │                                                  │
  │                ▼                                                  │
  │      질의의 성격이 "관계의 추적(경로 깊이)"인가, 단순한 "통계와 집계"인가?   │
  │          ├─ 단순 통계/집계 ──▶ [ 일반 RDBMS 또는 Data Warehouse 유지 ]  │
  │          │                                                        │
  │          └─ 복잡한 관계 추적                                        │
  │                │                                                  │
  │                ▼                                                  │
  │      탐색해야 하는 관계의 깊이(Depth / JOIN 횟수)가 얼마나 깊은가?        │
  │          ├─ 1~2 Depth 이내 ──▶ [ 기존 RDBMS로 커버 가능 (인덱스 튜닝) ]│
  │          │                                                        │
  │          └─ 3 Depth 이상이거나, 깊이를 미리 알 수 없는 유동적 경로인가?   │
  │                │                                                  │
  │                ▼                                                  │
  │      [ 그래프 DB 전격 도입 (Neo4j, Amazon Neptune 등) ]               │
  │        - 목표가 "가장 짧은 길"이면 ──▶ BFS (최단 경로) 연산 실행          │
  │        - 목표가 "가장 중요한 놈"이면 ──▶ PageRank 알고리즘 연산 실행        │
  │                                                                   │
  │   판단 포인트: "데이터 간의 연결선(Edge)에 비즈니스의 진짜 해답이 숨어있는가?" │
  └───────────────────────────────────────────────────────────────────┘

[다이어그램 해설] 이 트리는 데이터 아키텍처 설계 시 비용 대비 효용(ROI)의 함정을 피하기 위한 가이드라인이다. Depth 1 수준의 단순 관계(예: "내 친구 목록 가져오기")는 RDBMS의 B-Tree 인덱스 스캔 한 번으로 충분히 빠르므로 그래프 DB를 들이대는 것은 오버엔지니어링이다. 하지만 "내 3촌 이내 인맥 중에 관심사가 '등산'이고 주말에 빈 시간이 있는 사람의 최단 연락 경로를 구하라"처럼 여러 엣지의 속성(Property)을 필터링하며 깊은 바다로 잠수해야 하는 쿼리를 RDBMS에 날리는 순간 CPU 코어가 터져나간다. 이런 복잡계 네트워크 탐색 쿼리야말로 그래프 DB가 가진 Index-Free Adjacency의 물리적 강점이 1000% 폭발하는 황금 어장(Sweet Spot)이다.

📢 섹션 요약 비유: 못을 박을 때(통계 집계)는 묵직한 망치(RDBMS)가 좋지만, 뒤엉킨 실타래를 풀 때(관계 추적) 망치로 내려치면 책상만 부서집니다. 엉킨 실을 우아하게 한 가닥씩 뽑아 올리는 길고 예리한 바늘(그래프 DB)을 적재적소에 꺼내 들어야 합니다.

Ⅴ. 기대효과 및 결론

정량/정성 기대효과

구분	RDBMS로 관계 모델링 시	Graph DB 및 분석 알고리즘 도입 시	개선 효과
정량	N-Depth 조인 시 쿼리 타임아웃 발생 (O(N^K))	포인터 점프 횡단으로 경로 스캔 (O(N))	초거대 관계망 탐색 속도 수백 배 향상 (초 $\rightarrow$ 밀리초)
정량	이상 징후 탐지 룰 기반 (배치로 사후 색출)	실시간 그래프 패턴 매칭으로 트랜잭션 중 차단	보이스피싱 및 결제 사기(Fraud) 실시간 방어율 99% 달성
정성	복잡한 JOIN과 서브 쿼리로 코드 가독성 파괴	Cypher 언어의 직관적 그림 문법(`(a)-[r]->(b)`)	비즈니스 로직의 투명성 확보 및 개발 생산성 극대화

미래 전망

거대 언어 모델(LLM)과 지식 그래프(Knowledge Graph)의 결합: 최근 AI 업계의 최대 화두인 LLM의 할루시네이션(환각)을 완벽히 통제하기 위해, 기업의 정확한 사내 문서나 매뉴얼을 사실 관계(Fact) 단위의 지식 그래프로 구축하고, 챗GPT가 답변을 생성할 때 이 그래프 DB를 PageRank로 순회하여 정확한 문맥과 출처(근거)를 주입하는 Graph RAG (Retrieval-Augmented Generation) 아키텍처가 기업용 AI의 끝판왕으로 부상하고 있다.
스트리밍 그래프 분석 실시간화: 과거에는 밤새 하둡(Hadoop) 클러스터를 돌려 계산해야 했던 수십억 노드의 PageRank 점수를, Memgraph 등 최신 인메모리 그래프 스트리밍 DB를 통해 네트워크 구조가 변경되는 순간(Edge 추가) 밀리초 단위로 점수를 동적으로 재계산(Dynamic Re-computation)하는 극한의 실시간 병렬 처리 기술이 도래했다.

참고 표준

GQL (Graph Query Language): ISO/IEC 국제 표준 위원회가 SQL에 이어 공식 데이터베이스 언어 표준으로 제정한 범용 그래프 질의 언어 규격
LPG (Labeled Property Graph) Model: 현재 대부분의 상용 그래프 DB가 채택하고 있는 속성(Key-Value) 보유 노드/엣지 데이터 모델 표준

데이터는 더 이상 고립된 섬(Silo)이 아니다. 세상의 모든 가치는 "무엇을 아는가"에서 "누구와 연결되어 있는가"로 진화했다. 그래프 DB와 PageRank, BFS 알고리즘은 이 거대한 초연결성의 정글 속에서 의미 있는 지도를 그려내는 가장 정교한 나침반이다. 수억 개의 데이터 파편 속에서 관계의 실마리를 찾아내 실시간으로 맥락(Context)을 이해하고 행동하는 지능형 시스템을 구축하기 원한다면, RDBMS의 낡은 사각 테이블 밖으로 나와 관계 그 자체를 끌어안는 그래프 아키텍처로의 도약을 주저해서는 안 된다.

📢 섹션 요약 비유: 밤하늘에 흩어진 수많은 점(별)들의 위치만 외우는 것이 낡은 방식이라면, 그 별들을 선으로 이어 북두칠성 같은 별자리(패턴과 의미)를 찾아내고, 북극성(페이지랭크 1위)을 찾아 바다를 안전하게 항해하는 것이 바로 그래프 알고리즘이 선사하는 진정한 위대한 통찰입니다.

📌 관련 개념 맵 (Knowledge Graph)

개념 명칭	관계 및 시너지 설명
Index-Free Adjacency (인덱스 프리 인접성)	그래프 DB 속도의 근원. 데이터를 찾을 때 거대한 목차(인덱스)를 뒤지는 대신, 옆집 주소가 메모리에 바로 적혀 있어 즉시 점프(횡단)하는 물리적 구조다.
GNN (Graph Neural Network)	PageRank와 같은 알고리즘으로 추출한 관계 데이터를 입력으로 받아, 노드의 특성과 연결 패턴을 동시에 딥러닝하는 차세대 인공지능 모델이다.
Cypher / GQL	RDBMS에 SQL이 있다면 그래프에는 Cypher가 있다. `MATCH (a)-[:KNOWS]->(b)` 처럼 화살표 모양의 아스키아트로 직관적 질의를 던지는 언어다.
지식 그래프 (Knowledge Graph)	파편화된 기업 데이터(단어, 문서, 사람)를 주어-동사-목적어의 그래프 관계로 연결하여 구글 검색이나 LLM이 사실 관계를 정확히 이해하게 돕는 거대한 의미망이다.
최단 경로 알고리즘 (Dijkstra / A)*	BFS에서 한발 더 나아가, 각 연결 선(Edge)에 시간이나 비용이라는 가중치(Weight)를 부여하여 현실적인 최소 비용 경로를 도출해 내는 심화 횡단 로직이다.

👶 어린이를 위한 3줄 비유 설명

엑셀 같은 일반 데이터베이스는 반 친구들 명단을 가나다순으로만 쭉 적어둬서, "철수의 친한 친구의 친한 친구"를 찾으려면 명부를 수십 번 뒤져야 해서 머리가 터져요.
그래프 DB는 교실 칠판에 친구들 사진을 붙이고 친한 친구끼리 빨간 털실로 다 묶어둔 멋진 지도예요. 털실만 쓱쓱 당겨보면 1초 만에 인맥이 다 드러나죠! (BFS 알고리즘)
칠판을 가만히 보면, 어떤 친구 사진에는 빨간 털실이 수십 개나 집중적으로 묶여 있어요. "아하! 우리 반의 진정한 최고 인싸(인플루언서)는 바로 이 친구구나!" 하고 수학적으로 콕 집어내는 것이 바로 페이지랭크(PageRank) 알고리즘이랍니다!