基于查询特征表示学习的联邦复杂查询基数估计

来源：计算机技术与发展杂志2024年第02期北京时间：

作者：徐娇;;';田萍芳;;';顾进广;;';徐芳芳;;'

单位：1. 武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;2. 湖北省智能信息处理与实时工业系统重点实验室,湖北 武汉 430065;3. 武汉科技大学 大数据科学与工程研究院,湖北 武汉 430065;4. 国家新闻出版署富媒体数字出版内容组织与知识服务重点实验室,北京 100083

摘要：准确的基数估计是实现最佳查询计划的关键因素,现有方法大多基于深度学习来解决基数估计问题。 然而,这种基于 RDF 图模式的方法专注于具有特定拓扑结构的简单查询,适用范围有限,缺乏对现实场景中频繁使用的复杂类查询的支持。 为了解决以上问题,提出一种基于查询特征表示学习的联邦复杂查询基数估计模型。 该模型主要处理带有FILTER 或 DISTINCT 关键字的复杂查询,使用新提出的 FILTER 查询特征化方法将 SPARQL 查询表示为特征向量,通过模型预测查询基数。 同时使用模型预测 DISITINCT 查询中唯一行比率。 在 LUBM 数据集上的实验表明,与最先进的基数估计方法相比,该模型在估计质量上表现优异,平均估计误差中位数可达 1. 16,并对多连接查询的基数估计表现出潜力和可扩展性。

关键词：联邦系统;查询优化;复杂查询;深度学习;基数估计