神经 RELAGGS

多关系数据库是当今科学与工业中大多数成熟数据收集的基础。然而,大多数学习与挖掘算法要求数据以命题形式表示。尽管存在多种可直接在多关系数据集上运行的专用机器学习算法,但命题化算法将多关系数据库转换为命题数据集,从而允许在不修改传统机器学习和数据挖掘算法的情况下应用它们。一个著名的命题化算法是 Krogel 和 Wrobel 提出的 RELAGGS,它通过嵌套聚合来转换数据。我们提出了一种基于神经网络的、秉承 RELAGGS 精神的新算法,该算法采用可训练的复合聚合函数,而非原方法中使用的静态聚合函数。借此,我们可以联合训练命题化与预测模型,或者 alternatively 将学习到的聚合用作其他算法中的嵌入。我们通过将 N-RELAGGS 与 RELAGGS 及多种其他最先进算法进行比较,展示了其提升的预测性能。