.png){kind=icon}
返回
Query-driven explainable join discovery of analytic cubes based on profiling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.is.2026.102791.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据仓库的快速增长限制了用户对其内容的认知以及对不同数据集之间相互关系的理解，增加了对有效数据发现工具的需求，这些工具可以帮助分析师定位相关数据。连接发现（join discovery）是基于共同属性查找可连接表格的过程，是可能的策略之一。本文介绍了一种针对分析中常用数据结构的新型连接发现方法：多维或分析立方体（analytic cubes）。通过利用分析立方体的独特结构，该方法利用了档案（profile）的概念，即提供数据分布信息的元数据。具体而言，我们引入了一种基于档案、查询驱动的连接发现模型，允许用户从声明性查询出发识别可替代的连接立方体，并进行排序和定性评估。我们通过广泛的实验验证了该方法的高效性和有效性。我们的双重方法结合了模式级和内容级信息，增强了连接发现的表达能力和结果清晰度，使分析过程更加直观和可解释。
Keyword:
Join discovery
Query-driven discovery
Analytic cubes
Data profile
Joinability estimation
Explainable analytics
Big data
