weixin_48167662的博客

转载 大规模图计算与智能系统——第十四期CCF秀湖会议报告 | CCCF精选

以下文章来源于中国计算机学会，作者中国计算机学会秀湖会议的与会专家围绕“大规模图计算与智能系统”主题，深入探讨了图数据管理、图机器学习算法及图计算系统的关键挑战和研究方向。图数据具有强大的建模能力，适合于描述复杂的关联关系。推动图技术与大模型的融合，将为多领域的科学发现和应用开辟新的机遇与挑战。背景与意义“图”作为支撑知识图谱、大数据融合、网络通信、金融风控等应用的基础数据模型，在越来越多的应用中被用来表达实体之间的复杂关联关系。工信部《“十四五”软件和信息

原创 论文导读 | 大语言模型推理框架框架以及大语言模型幻觉的一些研究

本次分为两个部分。第一部分介绍一个目前很火的大语言模型新的推理框架SGLang。第二部分分享一些大模型推理幻觉的一些研究工作。

原创 论文导读 | 数据库中的连接操作

在关系型数据库中，我们通常面对以下问题： 给定一个数据库实例II，包含若干关系（表）RR1R2⋯RnRR1​R2​⋯Rn​和属性集合Aa1a2⋯amAa1​a2​⋯am​，如何高效地计算连接结果QR1⋈R2⋈⋯⋈RnQR1​⋈R2​⋈⋯⋈Rn​？在这个问题中，我们仅考虑等值连接。

原创 论文导读 | 可串行化事务机制

如图A是一个对数据A/B的操作序列。尽管一个事务内的操作顺序是固定的，但当有两个事务同时执行的时候，两个事务各自的线程（亦或是其他模型）的抢占调度不定，因此不同操作交叉的执行顺序是无法确定的。这种操作的执行顺序被我们称之为Schedule。例如图B和图C就分别是两个相同的图A事务的Schadule。由此，我们有了下面这些定义。可串行化隔离是指多个事务并发执行的结果等价于这些事务以某种顺序串行执行的结果。换句话说，即使事务并发执行，其最终效果也应与某个特定的串行调度相同。

原创 论文导读 | 数据库系统中基于机器学习的基数估计方法

基数估计任务是在一个查询执行之前预测其基数，基于代价的查询优化器（Cost Based Optimizer）将枚举所有可能的执行计划，并利用估计的基数选出期望执行代价最小的计划，从而完成查询优化的任务。然而，传统的基数估计方法，例如PostgreSQL基于直方图（Histogram）的方法，往往采用简单的独立性假设、均匀假设，用有限的统计信息来预测查询的基数，导致了较大的基数估计误差。事实上，现实中的数据是复杂的、富有关联的，传统的基数估计方法往往不能刻画数据的复杂分布，产生巨大的基数估计误差从而诱发大量的

原创 论文导读 | 图压缩算法

这次讲三篇新的有关图压缩的论文。

原创 论文导读 | 利用查询间信息优化子图匹配

通过查询之间的信息优化子图匹配有类似的模式：算法会检测查询的公共模式，并缓存这些公共模式的查询结果。当算法处理相似的查询结果时，就会复用缓存结果来加速查询。但是，这三篇工作的各个部分采取的方法基本上都不一样。我认为这是因为这三篇工作利用了不同的查询信息来进行查询优化。而我认为处理查询时还有更多值得挖掘的信息可以优化后续查询（例如：匹配顺序）。另一方面，通过查询之间的信息优化子图匹配涉及多个查询，在查询引擎中，处理多个查询往往会启动多个线程。

原创 论文导读 | 基于图机器学习的子图匹配算法研究

纵观使用图神经网络优化子图匹配方法的相关工作，本文作者发现其存在两点不足：其一，与传统方法的比较中，考虑的因素不够全面，比较不够公平。现有方法比较的传统方法绝大部分是运行在CPU端的方法，甚至是单线程实现的方法，而基于机器学习的方法需要使用GPU进行训练，同时在推理过程中有不同程度的并行计算优化，而这部分并发化带来的提升在实验中没有得到很好的体现。基于机器学习的方法投入了十倍的算力成本，但并不能保证带来十倍以上的性能收益。

原创 论文导读 | 关于最新子图匹配的综述和实验研究

子图匹配（Subgraph Matching）是图模式挖掘算法中的一个热点研究问题，其旨在一个数据图中挖掘出所有与给定查询图同构（或同态）的子图。目前大多数的子图匹配工作都是在顶点带标签的无向图上对子图同构进行研究。由于子图匹配问题是一个NP-hard的问题，因此当数据图的规模很大或查询图的顶点数目很多时，子图匹配算法的效率会大打折扣。为了提高子图匹配算法的效率，现存的子图匹配算法从过滤候选、生成有效的匹配顺序和加速枚举过程等多个角度对子图匹配进行优化设计，提出了许多行之有效的优化方法。

原创 论文导读 | 大模型幻觉的检测与消除

本次论文分享围绕大模型幻觉的检测与消除中的分类器、不确定性度量、模型的评价能力共三个方面进行了调研与整理。对于未来的研究方向，笔者认为，在训练中可以通过知识图谱等可信知识源批量生成高质量数据，以及设计相关算法排除低质、有害的数据，防止幻觉通过训练引入大模型。在推理过程中则应当研究更为鲁棒的推理机制，在检索生成、思维链、辅助代码等基础上提出更为复杂的融合策略，提升大模型的可信度。

原创 数据科学——一个系统的探讨

文末附M. Tamer Özsu教授《Introduction to Data Science》讲座视频本文的目的是提出一个内在一致和连贯的数据科学观点。在科学和社会领域，一场以数据驱动的革命正在进行，颠覆着各种形式的企业，因为我们收集和存储数据的速度比以往任何时候都要快。数据作为一个组织的核心资产的价值观已经被确立，并被普遍接受。《经济学人》()称数据是“世界上最有价值的资源”。世界经济论坛简报《数据业务新范式》()指出：“数字经济和社会的核心是洞察力、情报和信息数据的爆炸式增长。

原创 北京大学gStore团队入选《中国数据库产业图谱（2024年）》

7月16日，2024可信数据库发展大会主论坛在北京成功召开，并在会上正式发布《中国数据库产业图谱（2024年）》。在此次发布的产业图谱中，《中国数据库产业图谱（2024年）》是由中国通信标准化协会大数据技术标准推进委员会（CCSA TC601）发布的数据库产业全景图，旨在全面客观展现我国数据库产业中的关键领域、环节和代表企业。

原创 论文导读 | 合取正则路径查询

合取正则路径查询（Conjunctive Regular Path Query, CRPQ）是各种主流图数据库查询语言（如SPARQL、Cypher、GQL）中的核心组成部分之一。要介绍合取正则路径查询，需要从正则路径查询（Regular Path Query, RPQ）开始讲起。∣r∗∣。

原创 图谱动态240709

不幸的是，现有解决方案未能满足这些要求。作者的广泛实证评估表明，在类似TPC-DS的查询上，GEqO带来了显著的性能提升——比自动验证器快多达200倍，并且发现的等价性比优化器和基于签名的等价性方法多出2倍。本周推荐的SIGMOD 2024上的论文：GEqO: ML-Accelerated Semantic Equivalence Detection，该文提出了一个名为GEqO的基于机器学习的框架，能够在大规模分析引擎中高效检测语义等价计算，从而提高集群资源利用率和减少作业执行时间。

原创 喜报 | 邹磊老师指导博士生苟向阳入选首届 “中国计算机学会数据库专委会优秀博士学位论文激励计划”

中国计算机学会数据库专委会优秀博士学位论文激励计划” 由中国计算机学会数据库专委会按照《中国计算机学会数据库专委会优秀博士学位论文激励计划遴选办法》的文件要求启动和评选，目的在于积极贯彻落实国家科技强国、人才强国战略，发挥中国计算机学会数据库专委会在发现人才、培养人才、举荐人才方面的作用，推动计算机数据库领域的技术进步与创新。该论文从图流的近似存储算法入手，首先研究了支持简单的数据项查询的数据流摘要算法，之后又进一步研究了支持复杂的图结构查询的图流摘要算法。本篇论文围绕图流近似处理展开研究。

原创 欢迎报名 | CCKS-IJCKG 2024 技术评测任务六“基于图数据库的自定义图分析算法评测”

知识图谱本质是基于图的语义网络，而图数据库又是以图模式存储管理数据，因此图数据库用于存储知识图谱数据具有得天独厚的优势。通过在知识图谱上进行查询、分析、推理是实现知识图谱应用的关键核心技术，而反映到图数据库上则是基于图数据库上的图查询与图分析。BFS和DFS是图数据库最核心的算法之一，基于此之上，众多学者针对不同需求设计了衍一系列的图查询与图分析算法，如Jaccard相似度算法、Louvain算法、直径估计算法等，且设计了不同变种算法。

原创 论文导读 | knowledge-based VQA

传统的视觉问答（Visual Question Answering, VQA）基准测试主要集中在简单计数、视觉属性和物体检测等问题上，这些问题不需要超出图像内容的推理或知识。然而，在knowledge-based VQA中，仅靠图像无法回答给定的问题，还需要有效利用外部知识资源。经典的知识基础VQA数据集包括OK-VQA和A-OKVQA。OK-VQA包含约14K个样本，分为9K/5K用于训练和测试，涵盖以下类别：车辆和交通；品牌、公司和产品；物品、材料和服装；体育和娱乐；烹饪和食品；

原创 PKUMOD同学又双叒获奖啦~

李彦增，北京大学智能学院2021级博士研究生，师从王选计算机研究所邹磊教授，主要研究方向包括知识图谱构建管理及应用等，在ACL、NAACL、CIKM、ISWC等国际会议发表论文20余篇，曾获IEEE DSC Best Paper Runner Up Award等奖励，常年担任ACL、EMNLP、NAACL、AAAI、MM、TKDE等会议期刊的程序委员会成员或期刊审稿人，作为主要参与人员或参与人员参与及完成国重研、国自然及企业合作等10余项重要科研任务。期待他们在未来的科研道路上。凭借在各自领域的卓越表现。

原创 论文导读 | 独立路径多查询问题

独立路径：两条简单路径，如果除了端点外没有相同的顶点，则称这两条路径相互独立。k条路径两两相互独立则称这k条路径是k条独立路径。如图所示，红色和蓝色的两条路径是a和h之间的两条独立路径。k独立路径单查询：该问题有广泛的应用：网络安全。在网络流量中，机密信息通过路径从源发送到目的地。我们可以将信息分成几个部分，用不相交的路径发送，以降低隐私泄露的风险。网络容错。不相交的路径可以增强网络在路由方面的健壮性。

原创 论文导读 | 投机解码加速模型推理

投机解码(speculative decoding)最早在[1,2]中被提出。其方法可以概括为由一个小模型一次猜一批可能的结果，再由大模型并行地验证这些结果是否要接受。投机解码利用了上面两个观察，先用小模型猜后续的若干个tokens，如果当前的问题比较简单，则小模型有更大的可能猜对多个token。然后再用大模型并行的验证这一些token是否符合大模型的输出。由于现代计算机的并行能力，我们可以近似的认为大模型处理一个token和处理w个token的用时是几乎一样的。

原创 论文导读 | 增强大模型的数学能力

数学能力是人类智能的一项基础技能，在自然科学、计算机科学、医学、金融等不同领域都发挥重要作用。因此也是现在评价大模型能力的重要指标。现在评价大模型数学能力最常用的两个评测数据集分别是MATH和GSM8KMATH数据集是一个由加州大学伯克利分校的研究团队开发的新数据集，专门用于衡量机器学习模型解决数学问题的能力。该数据集包含12,500个来自高中数学竞赛的挑战性问题，每个问题都有一个完整的逐步解决方案，这使得模型可以学习如何生成答案推导和解释。MATH数据集的问题覆盖了七个主要的数学领域，包括代数、几何、数论

原创 论文导读 | 图对齐

图对齐问题是将两个图的节点进行匹配的问题。而半监督图对齐指的是已知小部分节点之间的对应关系，通过学习获得其他节点的匹配关系。问题定义如下：给定属性图G1​A1​X1​G2​A2​X2​和锚节点对，输出相似矩阵SSxa表示G1​中结点a和G2​中结点x​的相似性。解决这个问题常见方法有以下3种：consistency-based、embedding-based和optimal transport。

原创 论文导读 | 漫谈图神经网络

本文主要介绍图神经网络相关内容，包括图神经网络的基本结构以及近期研究进展。

原创 论文导读 | 漫谈编辑问题

本文围绕深度学习模型的编辑，介绍了针对一般分类器、图像生成模型、语言模型的编辑问题及一些相关方法，还对现有工作的优劣、一些可能的未来研究方向给出了简单的讨论。

原创 图解李白的“朋友圈”

本次我们从互联网上搜集了有关《长安三万里》中的人物以及其他唐代著名诗人的基本信息，然后以诗人、诗歌为主要实体类型，梳理了诗人之间的关系，在gBuilder中用非结构化数据表单录入的方式，最终得到了唐朝诗人关系的RDF文件。节点可以表示实体和属性，边可以表示为实体-实体和实体-属性之间的关系，这种形式对处理复杂的关联关系有着天然的优势，也更接近人类认知世界的形式，为数据处理提供了一种更好的组织和管理能力。在实际项目中，也可以根据不同类型的数据选择不同的抽取方式，或多种方式结合的形式来构建知识图谱。

原创 辞旧迎新｜回顾gStore的2023

原创 #gStore-weekly | gMaster功能详解之数据划分策略

文件格式为<predicate>\t{Node_id}，predicate为三元组谓语，Node_id为节点id(数字类型)，把计划分配到同一节点的节点id配置为相同。文件格式为<entity>\t{Node_id}，entity为三元组主语或宾语，Node_id为节点id(数字类型)，把计划分配到同一节点的节点id配置为相同。如果主语、宾语模值不相等，该三元组分配到两个节点。划分节点时，1种是根据对主语、宾语、谓语计算hash值与节点数取模确认节点，1种是指定节点ID，通过ID与节点数取模确认节点。

原创 #gStore-weekly | gMaster功能详解之节点配置

点击【新增按扭】，弹出新增节点页面，需要输入节点名称、节点IP、gStore用户、gStore密码、gStore端口、节点系统用户、节点系统密码、gStore路径、SSH端口、接口类型，所有字段都是必输项。点击左侧菜单【系统管理】下的【节点配置】，可以进入节点配置页面，展示当前已配置的所有节点的节点名称、节点IP、gStore版本、gStore用户名、gStore服务状态、gStore接口类型、端口、节点系统用户名、节点系统登录状态、ssh端口、gStore路径列表。gMaster提供了节点配置功能。

原创 #gStore-weekly | gMaster功能详解之数据库查询

gMaster提供了数据库查询功能。该功能可以对集群中的数据库通过SPARQL进行查询。平台基于Master-Slave架构，内置了基于随机划分和指定划分的4种数据查询分解策略，支持百亿图数据规模下多达六跳的秒级查询。登录gMaster，点击左侧菜单【数据库】下的【图数据库查询】，进入数据库查询页面。在【数据库】下拉框选择要查询的数据库名。在查询SPARQL输入框中输入SPARQL语句，点击【查询】按钮，页面右侧展示查询结果。

原创 #gStore-weekly | gMaster功能详解之数据库管理

gMaster提供了数据库管理功能。该功能可以对集群中的数据库进行集中管理，可以查看各个数据库详细信息。能够方便的对数据库进行新建、构建、导出、备份、还原、删除操作。登录gMaster，点击左侧菜单【数据库】下的【数据库管理】，进入数据库管理页面，页面展示已新建的数据库。在数据管理页面，点击右上角【新建数据库】按钮新建数据库。输入数据库名称后，点击提交按钮。点击【构建数据库】按钮。第一步配置节点，上传数据源文件。上传有两种方式：1、服务器文件方式，手动将文件传到gMaster服务器，并配置文件路径。

原创 #gStore-weekly | workbench功能详解之知识更新

gStore workbench作为gStore的可视化管理工具，不仅提供了可视化查询功能，还提供了可视化的知识更新功能，用户可以在可视化界面上进行知识的新增、修改和删除等操作，让我们的知识管理更加清晰和便捷。登录workbench平台，进入知识更新页面，选择要更新的数据库，通过SPARQL查询出需要更新的实体和属性。新增节点可以直接通过【新增节点】按钮进行新增，同时如果只是新增节点则不需要进行第一步的查询动作，但是新增节点必须要选择先数据库。

原创 #gStore-weekly | gStore最新版1.2之CONCAT函数使用详解

截至当前，关于gStore最新版1.2的新功能介绍就结束了，后续我们将持续完善和新增更多的功能，尽请期待！【注】LCASE函数将所有字母转化为小写，如LCASE("Alice") = "alice"【注】STR函数返回字符串的词法表示形式，如：STR(<Alice>) = "Alice"gStore最新版1.2其他新功能的介绍可点击以下连接查看>>：过滤查询宾语字面量为Al和ice拼接的数据。：查询宾语字面量等于主语字符串拼接邮箱后缀。：将查询到关系为喜欢的数据拼接在一起。: string类型的字符串值。

原创 #gStore-weekly | gStore最新版1.2之新增内置高级函数详解（二）

gStore1.2版本新增了七个高级函数，我们第2期将继续介绍的高级函数为：整体/局部集聚系数（clusterCoeff）、鲁汶算法（louvain）、K跳计数（kHopCount）/K跳邻居（kHopNeighbor）三类高级函数。

原创 论文导读 | 因式分解数据库

在传统的关系型数据库中，二维表格形式容易造成信息的冗余。如果我们将数据库中的每条元组看成单项式，一个关系型数据库就可以表示成这些单项式的和。通过对多项式的因式分解就能够得到更加紧凑的表示形式。例如：下图中的表格，A 的取值有 a1,a2, B的取值有b1,b2，C的取值有c1,c2。不难看出表格中存储的是这些取值的所有组合情况。按照上述思路，我们可以将它用因式分解的表示形式进行表示：。我们发现，因式分解的表示形式只用了 6 个值就表示了具有 24 个值的二维表格。

原创 #gStore-weekly | gStore最新版1.2之新增内置高级函数详解（一）

gStore1.2版本新增了七个高级函数，我们第2期将继续介绍的高级函数为：整体/局部集聚系数（clusterCoeff）、鲁汶算法（louvain）、K跳计数（kHopCount）/K跳邻居（kHopNeighbor）三类高级函数。

原创 gStore最新版1.2之新增内置高级函数详解（一）

gStore1.2版本新增了七个高级函数，我们分成2期来对每一个函数的使用进行详细介绍，本期介绍的高级函数为单源最短路径（包括SSSP和SSSPLen）、标签传播（labelProp）、弱连通分量（WCC）三个高级函数。

原创 基于深度学习的子图计数方法

子图计数（Subgraph Counting）是图分析中重要的研究课题。给定一个查询图 和数据图 , 子图计数需要计算 在 中子图匹配的（近似）数目。一般我们取子图匹配为子图同构语义，即从查询图顶点集 到数据图顶点集 的单射 ，保持拓扑关系（当查询图存在边 时，数据图中对应点也需要有连边 ）和标签（查询图顶点 和数据图中对应点 标签相同）不变。

原创 #gStore-weekly | gStore最新版1.2之新增API接口详解

gStore1.2版本进一步丰富了API接口，接下来我们就逐一讲解每个接口的作用以及如何使用。我们首先启动http服务（以grpc为例），并指定服务端口号为9000：

原创 #gStore最新版1.2之空库的构建和批量数据构建

gStore1.2版本支持了空库的构建和批量数据构建，接下来我们将从本地命令、控制台、API接口三种方式来进行介绍如何使用：

原创 #gStore-weekly | gAnswer源码解析 调用NE模块流程

gAnswer系统的主要思想，是将自然语言问题转化为语义查询图，再和RDF图做子图匹配。在转换成查询图的第一步就是确定查询图的节点，即节点提取（Node Extraction, NE）。查询图中的节点由实体（entity）、类型（type）和通配符（wild-cards）构成，因此节点提取的主要工作就是提取问题中的实体和类型的提及（mention），以及给出在知识库中对应的候选。具体而言，节点提取模块分为离线和在线两部分。