.png){kind=icon}
返回
GRELA: Exploiting graph representation learning in effective approximate query processing
.png){kind=icon}
OA
AI
DOI：10.1007/s00778-025-00914-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近似查询处理（AQP）在现代数据分析中发挥着关键作用。尽管机器学习模型被用于AQP，但现有方法未能揭示底层数据、查询中的聚合函数以及查询谓词之间的隐含关系。在本工作中，我们提出了一种基于图表示学习的AQP模型（GRELA，简称），用于回答包含多个聚合函数的查询。GRELA将聚合函数和查询谓词分别建模为图中的任务节点和子句节点，然后通过其两个模块学习合适的节点表示。具体而言，Encoder模块将查询谓词和底层数据合并为子句节点的表示。Graph模块连接任务节点和子句节点，使得每个任务节点能够将其邻域信息聚合到其表示中。通过子句表示和任务表示的内积，GRELA能够对包含多个聚合函数的查询进行准确估计。广泛的实验结果验证了GRELA在不同类型数据集上优于当前最先进的AQP方法。
Keyword:
AQP
Graph representation learning
期刊
IF:
3.8
论文数:
84
被引数:
2.4K
查看更多机构
.png){kind=icon}
