超关系知识图谱上的基数估计
机器学习
2025-02-19 v3
摘要
查询的基数估计（CE）是在不执行查询的情况下估计结果数量，是查询优化中的有效指标。近年来，针对具有三元组事实的知识图谱（KG）的查询基数估计取得了巨大成功。为了更精确地表示事实，当前研究者提出了超关系知识图谱（HKG），通过限定符为三元组事实提供额外上下文以表示事实。然而，由于限定符的复杂性，现有的CE方法（如KG上的采样和摘要方法）在HKG上表现不佳。基于学习的CE方法未利用限定符信息准确学习查询表示，导致性能较差。此外，目前只有一个有限的HKG查询CE基准，不够全面且仅覆盖有限模式。HKG上查询集的缺乏也成为全面研究HKG上CE问题的瓶颈。本文首先在三个流行的HKG上构建了多样且无偏的超关系查询集以研究CE。此外，我们还提出了一种新颖的限定符感知图神经网络（GNN）模型，该模型有效整合限定符信息并自适应组合多个GNN层的输出，以准确预测基数。实验表明，在流行HKG的三个基准上，我们的模型优于所有最先进的CE方法。
引用
@article{arxiv.2405.15231,
title = {Cardinality Estimation on Hyper-relational Knowledge Graphs},
author = {Fei Teng and Haoyang Li and Shimin Di and Lei Chen},
journal= {arXiv preprint arXiv:2405.15231},
year = {2025}
}