RDB2G-Bench：面向关系数据库自动图建模的综合基准测试
机器学习
2025-10-29 v2
摘要
近期的进展证明了基于图的学习在关系数据库（RDB）预测任务上的有效性。此类方法需要将 RDB 转换为图，这一过程我们称之为 RDB 到图的建模，其中表的行表示为节点，外键关系表示为边。然而，将 RDB 有效地建模为图仍然具有挑战性。具体而言，将 RDB 建模为图存在众多方式，而在预测任务上的性能因所选的 RDB 图模型而异。在我们的分析中，我们发现性能最佳的图模型比常见的图建模启发式规则可产生高达 10% 的性能提升，而找到该最佳模型并非易事。为了促进智能 RDB 到图建模的研究，我们引入了 RDB2G-Bench，这是用于评估此类方法的第一个基准测试框架。我们构建了涵盖 5 个真实世界 RDB 和 12 个预测任务的广泛数据集，产生了约 5 万个图模型-性能对，以实现高效且可复现的评估。得益于我们预先计算的数据集，我们能够在 12 个任务上对 10 种自动 RDB 到图建模方法进行基准测试，其速度比需要重复训练 GNN 的即时评估快约 380 倍。我们对数据集和基准测试结果的分析揭示了影响图模型有效性的关键结构模式，以及对有效图建模的实际启示。我们的数据集和代码可在 https://github.com/chlehdwon/RDB2G-Bench 获取。
引用
@article{arxiv.2506.01360,
title = {RDB2G-Bench: A Comprehensive Benchmark for Automatic Graph Modeling of Relational Databases},
author = {Dongwon Choi and Sunwoo Kim and Juyeon Kim and Kyungho Kim and Geon Lee and Shinhwan Kang and Myunghwan Kim and Kijung Shin},
journal= {arXiv preprint arXiv:2506.01360},
year = {2025}
}
备注
Accepted at NeurIPS 2025 Datasets and Benchmarks Track