.png){kind=icon}
返回
Machine Learning for Query Optimization in Knowledge Graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05727-3_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
查询优化是图数据库和三元组存储（用于托管知识图谱（KGs））的主要组成部分。传统的符号优化器依赖易产生不准确性的启发式方法和成本模型，导致次优执行计划。机器学习（ML）的最新进展通过从数据和查询中学习，为解决这些局限性提供了有前景的解决方案，以增强基数估计、成本预测和计划枚举。本文综述了基于ML的知识图谱查询优化的新兴格局，包括学习型、神经符号型以及（完全）神经网络型方法。我们讨论了这些系统的架构和权衡，展示了初步结果，并强调了未来研究中的开放性挑战。
Keyword:
query optimization
neural networks
neuro-symbolic AI
期刊
N
IF:
0
论文数:
45
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
Networks of Linked Data Eddies: An Adaptive Web Query Processing Engine for RDF Data关联数据涡流网络：一个用于RDF数据的自适应Web查询处理引擎
OAAI
OAAI分享收藏
查看更多内容