论文浅尝 | Relational schema optimization for RDF-based KGs

笔记整理：郑国鹏，天津大学硕士

链接: https://www.sciencedirect.com/science/article/pii/S0306437921000223

动机

特征集（CS）根据与其主题节点相关的属性集来组织RDF三元组。它可以捕捉到RDF数据的隐含模式。虽然大多数基于CS的方法在空间和查询性能上有明显的改善，但在回答复杂查询工作负载时， CS的数量会变得非常大，最终影响系统性能。本文根据CS的层次结构进行合并，解决上述的CS数量过多的问题。

亮点

本文的方法采用网格来捕捉CS之间的层次关系，识别密集的CS并将密集的CS与它们的祖先合并。本文在关系主干之上实现了合并的算法，每个合并的CS都存储在一个关系表中。

本文的亮点主要包括：

•将CS合并问题，归纳为一个网格缩小问题。并利用CS的层次结构，提出了一种新型的CS合并算法。极大程度的减少的CS的数量。减少连接操作•实现了raxonDB系统，在存储和查询处理都运用了本文提出的CS合并算法。

概念及模型

•概念：CS节点

节点S表示主语，一个CS由主语及其谓词构成。

节点C表示一个CS划分。

本文的核心目的在于，利用CS之间的层级关系，对CS节点进行合并。主要有两个步骤：寻找稠密节点（合并的终点），寻找合适的合并路径。

•寻找稠密节点

稠密节点，即终点节点。其他CS节点需要通过层级关系最终合并到稠密节点上。因此，稠密节点的选择至关重要。本文希望合并后表的空值越少越好，因此以空值为标准设计了代价模型。公式如下图所示：

在选定完稠密节点之后，CS节点图以稠密节点为终点，划分成各子图。如下图所示：深紫色为稠密节点。

子图划分算法如下图所示：

•节点合并

在划分出子图之后，则该考虑如何将CS节点合并到稠密节点。本文先采用穷举的方式进行合并，但是时间复杂度过高。继而采用贪心的思想，降低时间复杂度，对节点进行合并。合并示意图与算法如下所示：

另外，本文将CS合并算法应用的存储和查询优化中，实现的raxonDB系统，系统架构如下图所示：

理论分析

实验

作者在LUBM2000、Geonames、Reactome三个数据集上，与virtuoso、rdf3x、triplebit、emergent、axonDB等单机SPARQL查询系统进行对比。性能均明显优于现有的系统。

总结

在本文通过考虑RDF三元组中的隐含模式，解决了将异质RDF数据集自动映射到关系模式的问题。提出了一种提取特征集的方法，即描述数据中不同类别的RDF实例的属性集，并利用不同CS之间的层次关系，以便将它们合并并映射到关系表中。本文提供了两种算法，一种是穷举算法，在指数时间内选择CS的祖先子图进行合并；另一种是贪婪算法，通过使用启发式算法将性能提高到多项式时间。