這個概念跟關係型數據庫的表分區是類似的，也就是在圖結構數據量非常大的時候，怎麼通過分佈式的形式對圖進行切分。
在關係型數據庫的表分區的應用中，我們對錶進行分區可能需要考慮的目的主要是：一個表存爲多個分區之後的join和查詢的問題。同理：我們在設計圖分區策略的時候同樣需要考慮的是，圖進行分區之後，在做圖迭代算法（並行計算）時，最小化在數據量的傳輸，最小化IO操作，只有減少這部分的開銷，才能提高圖分區的性能。
另外，業界比較成熟的OLTP產品Neo4j是不支持圖分區的，所有的數據都存儲於一個實例上，因爲他是index-free的實現方式，爲了保證圖查詢的實時性能，因此沒有引入分區的方式，所有的圖分析和查詢都在一個存儲上完成，避免網絡傳輸和IO的開銷。
一般而言，業界主要有這麼幾種分區的技術：
edge-cut：邊分割
邊分割的方式一般適合在圖數據中low-degree的數據分佈中，也就是中圖的連接入度或者出度（有向圖）比較少的情況，這樣vertex的分割就會比較均勻，減少跨多個集羣的數據交換；
vertex-cut：點分割
點分割的方式跟邊分割的情況相反，在high-degree的圖數據分佈的情況下，也就是節點的度特別大，通過點分割，就能夠同樣減少跨多個集羣的數據交換，同時減少節點的副本；如PowerGraph的實現方式；
PowerGraph在一篇論文裏PowerGraph: Distributed Graph-Parallel Computation on Natural Graphs以數學的形式證明了在符合冪律分佈的自然圖中使用點分割的好處。
hybrid-cut：動態混合分割
混合分割的技巧通常需要依賴於圖計算架構採集的動態的統計信息，首先需要對圖的數據分佈情況做估計，然後再決定圖分割的策略，使用點分割還是邊分割的方式，這種分割方式比較複雜，如Flink Gelly圖計算架構就採用這種混合的分割方式；
hash/random partitioning：哈希，隨機分區
這種分區方式比較簡單粗暴，一般是使用邊的hash或者節點的hash來分區，這種方式分區比較簡單，但是性能不能保證；
比如OrientDB採用的就是基於hash的分區方式；
總的來說，使用分區技術的圖分析架構，一般都是定位爲OLAP的解決方案，目前還沒有OLTP性能不錯，也支持分區的圖數據庫引擎，商業產品TigerGraph和微軟的GraphEngine是少數宣稱既支持OLAP也支持OLTP的產品，後續的文章可以重點分析分析。