Application du Machine Learning dans l’optimisation des données massives issus du Web au sein de RDF_QDAG

Abstract

Pour améliorer les performances d’exploration des graphes de connaissances, une approche récente a été proposé par l’équipe LIAS intitulé RDF_QDAG. Afin de réduire le coût de cette évaluation, l’équipe a développé un optimiseur Gofast [ZMG+21] qui est basé sur les statistiques. RDF_QDAG a pu surpasser les autres approches en termes de coût et de scalabilité, ce qui l’a rendu plus intéressante. Notre travail est d’essayer d’améliorer l’optimiseur RDF_QDAG en utilisant la technique du Machine Learning et définir un modèle plus efficace pour déterminer le meilleur plan d’exécution d’une requête adapté à nos données.