文章概述
QiuHuiPlus
这个作者很懒,什么都没留下…
展开
-
Schemaless and Structureless Graph Querying-vldb2014
1.摘要 给定一个查询,一个好的图查询系统应该支持多种转换(同义词、缩略词、简写以及本体等等),并且能够对给出的结果进行排序。 本文提出了一种新型的查询框架来方便用户查询,本文解决的问题可以概括为为:给定一个查询Q以及数据库G,找出图数据库中所有由Q经转换函数可以转化的图。2.已有的方法 Spark查询只需用户输入关键字即可,而无需输原创 2017-01-25 15:45:07 · 479 阅读 · 0 评论 -
Top-k queries on RDF graphs-Information Sciences2015
问题描述本文解决的问题可以描述为:在RDF图上查找语义上top-k的结果。例如:“找出欧洲经济增长最快的两个国家”“哪3个国家和相邻的国家具有最大的国土面积差异?”概述由于top-k问题总是和数值的大小相关,所以文章主要关心的是顶点的数值信息。本文提出的方法由一个新的树结构索引MS-Tree、基于MS-Tree树的过滤器和模式匹配函数组成。首先,基于MS-Tree自顶向下从RDF数据中选择原创 2017-01-25 15:52:00 · 413 阅读 · 0 评论 -
NeMa: fast graph search with label similarity-VLDB2013
NeMa是一种顶点相似性的子图匹配算法,不考虑查询图和数据库图的结构相似性。文章定义了一个子图匹配代价函数,利用启发式搜索查找top—k个最优的匹配。 本文的出发点是,好的结果不一定要严格结构匹配于查询图。例如下图,虽然结构不匹配,但这却是top-1的匹配。1.简介 不同于传统的子图匹配,这篇文章关注的是独立顶点的匹配,匹配的代价是每个顶点和他们邻域内节点的匹配代价原创 2017-01-25 15:53:33 · 571 阅读 · 1 评论 -
SPARK: Adapting Keyword Query to Semantic Search-ISWC2007
给出一个关键词,把关键词转换成一系列按照概率排序的SPARQL语句输出出来。2.主要步骤 主要有三个步骤:术语匹配、查询图的构造、和查询排序。2.1术语匹配:把关键词和知识库中的资源进行匹配。方法:形态学匹配(子串,缩写等)、语义匹配(近义词)。2.2查询图的构造:把匹配上的资源链接起来,这样丢失的关系和概念就可以被找回,从而构造一个完整的查询图;利用第一步返回的那些资源项用原创 2017-01-25 15:57:06 · 408 阅读 · 0 评论