A Workload-Driven Framework for NoSQL Data Modeling and Partitioning
Notice bibliographique
Résumé
Due to the scalability problems in traditional relational database systems, a variety of NoSQL stores have emerged over the last decade to deal with big data.The lack of standard processes for designing and partitioning NoSQL datasets, as two non-orthogonal principles of distributed database systems, has led to the proposal of several recent methods.On the one hand, the existing design methods provide various conceptual modeling notations and mainly target a particular NoSQL data model that cause extra eort for designers when switching from one data model to Liu, for his fundamental role in my doctoral research.Prof. Liu provided me with every bit of patient guidance, encouragement, and advice that I needed over the course of my Ph.D. journey.He gave me the freedom to do whatever I wanted, whilst continued to actively care about my work and promptly respond to my questions and inquiries.In addition to our scientic collaboration, I immensely value the personal rapport that Prof. Liu and I have forged over the past seven years.I am quite sure it is impossible to nd a better supervisor.I would like to express my gratitude to all the sta members (both teaching and non-teaching) in the Ottawa-Carleton Institute for Computer Science, for their constant presence and the positive learning atmosphere without which this thesis would not exist.I would also like to express my heartfelt thanks to the anonymous reviewers of my publications for the donation of their expertise and eort in providing valuable comments and suggestions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».