MongoDB
Skalowalność: Wysoce dostępny i spójny, ale do bani w relacjach i wielu rozproszonych zapisach. Jego główną zaletą jest przechowywanie i indeksowanie dokumentów bez schematu. Rozmiar dokumentu jest ograniczony do 4 MB, a indeksowanie ma sens tylko w przypadku ograniczonej głębokości. Zobacz http://www.paperplanes.de/2010/2/25/ notes_on_mongodb.html
Najlepiej nadaje się do: Struktury drzewiaste o ograniczonej głębokości
Przypadki użycia: Różnorodne hierarchie typów, systematyka biologiczna, katalogi biblioteczne
Neo4j
Skalowalność: Wysoce dostępny, ale nie dystrybuowany. Potężna platforma przechodzenia do szybkiego przechodzenia w przestrzeni węzłów. Ograniczone do wykresów dotyczących kilku miliardów węzłów/powiązań. Zobacz http://highscalability.com/neo4j-graph-database-kicks-buttox
Najlepiej nadaje się do: Głębokie wykresy z nieograniczoną głębokością i cyklicznymi, ważonymi połączeniami
Przypadki użycia: Sieci społecznościowe, analiza topologiczna, dane z sieci semantycznej, wnioskowanie
HBase
Skalowalność: Niezawodna, spójna pamięć masowa w petabajtach i nie tylko. Obsługuje bardzo dużą liczbę obiektów z ograniczonym zestawem rzadkich atrybutów. Współpracuje z Hadoop w przypadku dużych zadań przetwarzania danych. http://www.ibm.com/developerworks/opensource /library/os-hbase/index.html
Najlepiej nadaje się do: ukierunkowane, acykliczne grafy
Przypadki użycia: Analiza logów, semantyczne dane sieci Web, uczenie maszynowe
