21、基于RDF知识库的实体搜索分区索引

基于RDF知识库的实体搜索分区索引

在RDF知识库的实体搜索中，Schema-first Entity Search（SFES）算法能够快速识别少量虚拟表，将昂贵的实体搜索计算集中在更可能与查询相关的实体上。然而，该算法的性能高度依赖于实体在虚拟表之间的分配方式。

高效有效的实体分区

为实现高效的Schema-first实体搜索，有两个重要因素：
- 对于给定查询，应只有少量虚拟表是模式有效的，因为要对每个模式有效表进行关系查询处理。
- 对于每个模式有效表，其大部分实体也应对查询模式有效，否则模式无效实体在加载表的某些谓词索引时会产生额外的I/O操作。

表R的模式是其包含实体模式的超集。极端情况下，若知识库中所有实体都由一个表R维护，这是宽表解决方案，每个实体在大多数谓词上为空值，但该宽表对任何查询都模式有效；另一种极端情况，若只有相同模式的实体共享一个表R，表中实体在该表的所有谓词上都有值，但会生成大量表。

合理的实体分配方案应介于这两种极端情况之间。每个表包含多个模式相似的实体，这样既能在修剪模式无效表时修剪更多实体，又能使模式有效表中的实体更可能也是模式有效的。但这两个目标相互矛盾，表包含的实体越多，表的模式大小就越大，因此需要精心设计实体聚类方案以平衡这两个目标。

实体聚类

在现有的RDF知识库中，许多相似类型的实体具有非常相似的模式，如从IMDB提取的电影实体、从DBLP提取的论文实体。基于此观察，我们通过将模式相似的实体聚类在一起来从知识库中提取表。对于那些模式异常的实体，将其放在一个单独的虚拟表$\overline{R}$（融合表）中维护。

聚类的必要性 </