Skyline查询

Eclipse: Generalizing kNN and Skyline

k最近邻查询和天际线查询是多维数据点上的重要运算符。给定一个查询点，kNN根据评分函数(例如属性的加权和)返回k个最近的邻居，这需要预定义的属性权重(或首选项)。Skyline返回任何单调评分函数的所有可能的最近邻居，而不需要属性权重，但返回点的数量可能非常大

本文提出了一种eclipse算子，泛化了经典的1NN和skyline查询，为用户提供了更可定制的查询解决方案。在eclipse中，用户可以指定粗略的和可自定义的属性首选项，并控制返回点的数量。1NN和skyline都是eclipse的实例。为了处理eclipse查询，我们提出了一个时间复杂度为O(n22d−1)的基线算法，以及一个改进的基于时间变换的算法(O(n logd−1 n))，其中n是点的数量，d是维度的数量。在此基础上，提出了一种新的基于对偶变换的索引算法。在真实NBA数据集和合成数据集上的实验结果验证了eclipse算子的有效性和eclipse算法的高效性。 

Skyline Diagram: Finding the Voronoi Counterpart for Skyline Queries 

Skyline查询在许多应用领域具有重要意义。文中提出了一种新颖的结构天际线图，它通过给定一组点，将平面划分为一组区域，称为天际线多边形。同一个skyline polyomino中的所有查询点具有相同的skyline查询结果。与k最近邻(k nearest neighbor, kNN)查询常用的k阶Voronoi图类似，skyline图也可用于skyline查询和许多其他应用。然而，构建skyline图的计算成本可能很高。本文利用skyline的一些有趣的性质，针对象限、全局和动态skyline 3种查询，提出了几种高效的skyline图生成算法。在真实数据集和合成数据集上的实验结果表明，该算法是有效的和可扩展的。