LMKG：用于知识图谱中基数估计的学习模型
数据库
2021-02-23 v1
摘要
准确的基数估计是实现最优查询计划的关键要素。对于RDF引擎，尤其在常见的知识图谱处理工作负载下，缺乏模式、谓词相关以及涉及多连接的各类查询，使基数估计成为一项尤为艰巨的任务。本文开发了一个称为LMKG的框架，采用深度学习方法有效估计RDF图上查询的基数。我们采用有监督（即深度神经网络）与无监督（即自回归模型）方法，使其适应子图模式并产生更准确的基数估计。为将底层数据输入模型，我们提出了一种将查询表示为子图模式的新颖编码。通过在真实与合成数据集上的大量实验，我们评估了模型并表明其在精度与执行时间上总体优于最先进（SOTA）方法。
引用
@article{arxiv.2102.10588,
title = {LMKG: Learned Models for Cardinality Estimation in Knowledge Graphs},
author = {Angjela Davitkova and Damjan Gjurovski and Sebastian Michel},
journal= {arXiv preprint arXiv:2102.10588},
year = {2021}
}
备注
12 pages, 11 figures, 2 tables