本文介绍了一篇06年的文献，该文献提出了一种名为“Ranking Cube”的方法来解决Top-k查询中的多维度选择问题。通过构建Ranking Cube结构，可以有效地处理高维的选择条件和非线性的排名函数，同时引入了几何分区和块级数据访问等概念以提高查询效率。
一、读的是一篇文献，06年的
Answering Top-k Queries with MultiDimensional Selections: The Ranking Cube Approach
在一个top-k查询中，两个度量反应了性能：a selection condition & a ranking function.
selection condition维度可能很高，ranking function不一定是线性的。
这篇文献提出了一个模型，叫做ranking cube，并定义了一个rank-ware measure，未解决curse of dimension，又提出了ranking flagments。
二、cube structure
根据selection dimension构建ranking cube，每个cell离得measure应该是rank-ware的。
最naive的方法是，把所有相关的tuple都放到cell里面，这样有两个不足：浪费空间，不是rank-ware的。
为不浪费空间，可以只存tuple的id。
为解决rank-ware的问题，定义两个标准衡量：geometry-based partition & block-level data access。
好没劲，先不写了
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
