8、简单图数据库：激活传播计算的优化方案

简单图数据库：激活传播计算的优化方案

在当今的数据处理领域，图数据库因其能够高效处理复杂的关系数据而备受关注。其中，激活传播算法（Spreading Activation，SA）在挖掘图数据中的潜在关联方面具有重要应用。本文将深入探讨一种针对激活传播计算优化的简单图数据库（SGDB），包括其相关原理、存储模型、查询语法等内容。

1. 激活传播算法概述

激活传播算法基于图数据结构中激活节点的广度优先扩展。图中的边可以是加权的、有类型的（或两者兼具），并且可以是有向或无向的。SA 算法的输入是一组初始激活节点和一组影响激活过程的参数，输出是通过 SA 过程激活的节点集合。

SA 过程由多次迭代组成，每次迭代包括传播阶段和预调整或后调整阶段。在预/后调整阶段，可以对激活节点应用激活衰减。在传播阶段，激活节点向其邻居发送脉冲，脉冲值是节点输入值的函数。在基本的 SA 变体中，节点 n 的输入值等于通过出边与 n 相连的节点的加权输出值之和，输出值由边权重加权。

以下是相关公式：
设 T 是图的边类型集合，Q ⊆ T 是 SA 计算中允许的类型。函数 a 定义为：

a(t, Q) = 
{
    1 ; t ∈ Q
    0 ; t ∉ Q
}

节点 n 的输入值 In 计算公式为：

In = ∑i Oiw(ei,n)a(t(ei,n), Q)

其中，Oi 是通过出边与 n 相连的节点 i 的输出值，w(ei