最近，LinkedIn 分享了其圖數據庫 LIquid 是如何自動索引和實時訪問會員、學校、技能、公司、職位、工作、事件等之間的關系數據的。這個知識圖譜被稱為 LinkedIn 的“Economic Graph”，有 2700 億條邊，并且還在不斷增長，目前每秒處理 200 萬次查詢。

LinkedIn 將其“你可能認識的人（People You May Know，PYMK）”推薦系統從傳統的 GAIA 系統遷移到了 LIquid。這一變化顯著改善了每秒查詢數（QPS）、延遲和 CPU 利用率。QPS 從 120 增加到 18000，延遲從超過 15 秒下降到平均 50 毫秒以下，CPU 利用率下降了 3 倍以上。LIquid 還引入了新的數據庫索引技術，支持實時數據查詢，實現了即時推薦。

圖片來源：https://engineering.linkedin.com/blog/2023/how-liquid-connects-everything-so-our-members-can-do-anything

上圖是系統的架構圖，使用了 LIquid，可以以較小的延遲和可接受的硬件成本來執行圖查詢。通過 LIquid 對 Economic Graph 的查詢生成數百個候選對象，并應用第二個排名函數。這個排名函數使用 Venice 的機器學習功能和 Apache Pinot 的分析見解來評分并選擇最佳候選對象。過濾步驟為呈現和最終評分準備好了這個排名列表。

LIquid 的設計使其能夠伸縮到當前十倍的規模，可以支持 LinkedIn 9.3 億多會員的有機增長和新的語義領域。它提供 99.99% 的可用性，并可以自動根據圖的大小和活動量的增加進行自動伸縮。

圖數據庫使用基于 Datalog 的可組合聲明式查詢語言，幫助開發人員高效地訪問和使用數據。可組合語言能夠讓開發人員在現有的特性（叫作模塊）上進行構建，聲明式語言能夠讓開發人員專注于表達他們想要開發的東西，而 LIquid 自動化了高效的訪問過程。開發人員因此可以快速變更數據集，大大減少了調整和更新數據庫所需的時間。

LinkedIn 工程總監 Bogdan Artintescu 描述了 LIquid 的發展路線圖：

要讓會員能夠做更多的事情，我們需要在回答會員的問題方面提供更加完善的能力。我們可以沿著兩個方向做出改進。首先，復雜的查詢和添加到 Economic Graph 的數據源的多樣性將會驅動新特性的開發和呈現。其次，豐富數據將提高推理能力。這可以通過創建派生數據（通過確定性算法或概率機器學習方法）或通過知識圖譜（KG）模式中更豐富的語義改進推理來實現。我們計劃專注于高性能圖形計算和分析，并建立一個 KG 生態系統，讓我們的開發人員能夠進一步增強會員體驗。

LIquid 的成功激勵了 LinkedIn 的其他團隊和微軟的姐妹團隊將它作為圖數據索引。