Awesome GitHub RepositoriesPluggable Storage Backends

Cayley is a graph database engine designed for storing and querying interconnected data using a quad-based data model. It functions as an RDF quad store, managing information through subjects, predicates, objects, and labels. The system features a modular graph store architecture with pluggable backends, allowing it to swap between in-memory storage and various external persistent databases. It includes a GraphQL-inspired API and a dedicated data visualizer for the interactive exploration of nodes and edges. Query capabilities cover bidirectional path traversal and multi-syntax execution usi

Gorse is a personalized recommendation engine server and machine learning pipeline designed to suggest items to users based on their behavior and preferences. It operates as a distributed system that separates training, candidate generation, and serving nodes to support high-throughput workloads. The system utilizes a multi-stage recommendation pipeline to refine results through retrieval, scoring, and reranking. It generates personalized suggestions using collaborative filtering, matrix factorization, and item-to-item similarity models, while also providing non-personalized and fallback reco

JanusGraph is a distributed, elastically scalable graph database designed to store and query highly connected data across a cluster of machines. It supports the property graph data model with ACID consistency and integrates multi-model search capabilities including geo, numeric range, and full-text queries. The database also includes a Graph OLAP engine for running batch analytics and global graph computations on large datasets using the Hadoop framework. The project distinguishes itself through a masterless cluster architecture that eliminates single points of failure, allowing every node to

Titan ist eine verteilte Graphdatenbank und Computing-Engine, die für das Speichern und Abfragen massiver Datensätze aus miteinander verbundenen Knoten und Kanten über Multi-Maschinen-Cluster hinweg entwickelt wurde. Sie fungiert als skalierbare Graph-Speicherschicht und transaktionaler Speicher und bietet ein Framework für die Ausführung großskaliger Graph-Verarbeitungsjobs und tiefer Traversierungen. Das System zeichnet sich durch sein austauschbares Speicher-Backend aus, das die Graph-Engine von der physischen Persistenzschicht entkoppelt. Es nutzt Vertex-Cut-Datenpartitionierung, um Verarbeitungslasten auszugleichen, sowie ein Set-Kardinalitäts-Eigenschaftsmodell, das es ermöglicht, dass einzelne Eigenschaften mehrere Werte speichern können. Die Plattform deckt ein breites Spektrum an Funktionen ab, einschließlich Multi-Modell-Graph-Indizierung für geografische und Volltextsuchen, globales Schema-Management für die Neuindizierung von Datensätzen und transaktionale Operationen, die durch Write-Ahead-Logging sichergestellt werden. Zudem integriert es Element-Ablauf mittels Time-to-Live-Einstellungen und System-Performance-Monitoring zur Verfolgung von Abfrageaktivitäten und Transaktionslatenz.

nano-graphrag ist ein Retrieval-System, das Wissensgraphen nutzt, um strukturierten Kontext für Antworten von Large Language Models (LLMs) bereitzustellen. Es fungiert als Wissensgraph-Indexer, der unstrukturierten Text in ein Netzwerk aus Entitäten und Beziehungen transformiert, sowie als hybrides Graph-Retrieval-System. Das Projekt unterscheidet sich durch die Kombination von lokalen Nachbarschaftssuchen mit globalen Community-Zusammenfassungen, um komplexe Fragen in natürlicher Sprache zu beantworten. Es enthält einen Wissensgraph-Visualisierer, der HTML-Repräsentationen von Entitäten und deren Beziehungen generiert, um indiziertes Wissen abzubilden. Das Framework deckt ein breites Spektrum an Funktionen ab, einschließlich Entitäts-Beziehungs-Extraktion, Community-basiertem Graph-Clustering und Hash-basiertem inkrementellem Indexing. Es bietet eine Integrationsschicht zur Anbindung von Open-Source-Modellen und lokalen Embedding-Providern, unterstützt durch austauschbare Storage-Backends für Key-Value-, Vektor- und Graph-Daten. Zusätzlicher Nutzen entsteht durch argumentbasierte Antwort-Cachings und Post-Processing-Funktionen zur Reparatur instabiler JSON-Ausgaben von Sprachmodellen.