A Deep Learning-based Approach for the Views Selection Problem of Graph Data

Abstract

Avec la croissance exponentielle des données Web, les bases de données relationnelles atteignent rapidement leurs limites lorsqu'il s'agit de gérer des données hautement interconnectées, conduisant à des inefficacités avec des requêtes de jointure complexes. Les bases de données graphes, avec leur modélisation flexible des données et leur gestion efficace des relations et des requêtes complexes, émergent comme une solution puissante. Lors de l'examen des requêtes des utilisateurs, on remarque que certaines parties de ces requêtes sont fréquemment demandées et la matérialisation de ces parties permet une interrogation efficace des grandes bases de données graphes. Ces parties sont appelées vues et le processus visant à déterminer quelles parties (vues) matérialiser est appelé le problème de la sélection des vues (VSP). Contrairement aux bases de données graphes, le VSP a été largement étudié pour les bases de données relationnelles. Dans cette thèse, nous avons étudié le VSP pour les bases de données graphes en utilisant des requêtes Cypher. Nous avons d'abord étudié une solution heuristique pour le VSP et l'avons révisée en proposant des améliorations algorithmiques significatives. Ensuite, nous proposons un modèle d'apprentissage profond permettant d'estimer le coût spatial de toute vue à matérialiser. Ce modèle permet d'améliorer la qualité de l'heuristique en sélectionnant des vues qui font un compromis entre le coût spatial et le taux de couverture. Grâce à des expériences complètes basées sur des données réelles, nous avons démontré que notre heuristique améliorée permet de sélectionner des vues de bonne qualité en termes de coût spatial et de couverture. Ce travail est le premier à explorer des approches d'apprentissage profond pour le VSP.