5、相似连接及扩展：带有序的二元运算符扩展集

相似连接及扩展：带有序的二元运算符扩展集

1 引言

相似连接在多个场景中逐渐成为重要的数据库操作符，如近重复检测、字符串匹配和数据挖掘支持等。它接收两个关系 T1 和 T2，并返回满足相似谓词的元组对 ⟨t[T1], t[T2]⟩。常见的相似连接类型有范围连接、k 近邻连接和 k 距离连接。

通常，范围连接和 k 近邻连接的结果集基数较大，一般不直接返回给用户，而是作为预处理操作符或中间操作符。在大多数需要相似连接的应用中，用户通常只对少数最相似的对感兴趣，因此 k 距离连接更适合作为查询操作符，因为它只返回 k 个最相似的对。

然而，k 距离连接在获取最终结果之前需要额外的操作，如排序，因此严格来说，它不是传统意义上的连接操作符，而是一种扩展的二元相似操作符，还需要排序。此外，定义 k 距离连接的概念可以推广到支持范围连接和 k 近邻连接，并探索相似连接中未充分利用的条件：相似操作符的否定。

下面通过一个例子来说明。巴西圣保罗州是重要的甘蔗产区，为国家提供乙醇。甘蔗种植的扩张需要监测气候指标，如温度和降水。为此，在一些高产地区安装了少量气候传感器，每个传感器覆盖半径约 10 公里的区域。为了提高监测效果，需要安装新的传感器，但预算只允许安装 k 个新传感器。那么，新传感器应该安装在哪里，既能靠近现有传感器，又不在其覆盖范围内呢？这个场景需要考虑不仅是靠近每个传感器的位置，还有那些在其覆盖范围之外的位置，可以通过使用范围谓词的否定来解决。

本文将相似连接的定义扩展为更广泛的二元相似操作符，称为宽连接。它们被定义为笛卡尔积后接基于顺序的选择，排序在相似性评估过程中完成。这些新操作符旨在计算最相似的对，足够通用以支持范围和 k 近邻谓词及其否定