Distributed Regular Path Query Matching and Optimization for Graph Database based on Spark
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We live in a world of connections where everything shares relationships like follow/subscribe in Social Network or protein interactions in Biology Network. A graph database embraces relationships and supports low-level join as its nature. Regular Path queries (RPQs) are queries run against graph database, which are written in the form of regular expressions based on edge labels and with strong flexibility and expressiveness. Unlike some graph databases where actual data stored and queried using standard relational mechanisms, in this thesis we investigate three distributed algorithms by storing graphs with NoSQL data model and evaluating RPQs with Apache Spark. The three algorithms are cascaded 2-way join, multi-way join and Dan Suciu’s Algorithm. The performance of them regarding to running time and network communication volume are compared, and main bottlenecks are identified. Dan Suciu’s algorithm shuffles the least data during evaluation, meanwhile the performance is heavily influenced by the ways of partitioning the graphs. In theory we found that the size of GAG (Global Accessible Graph) collected to driverside, which affects communication volume and computation scale on driver-side, is related to the number of input-nodes in distributed graph. So in this thesis project we also try to optimize the execution of Dan Suciu’s algorithm with various partition strategies such as METIS or JabeJa. Based on JabeJa, which tries to minimize the number of cross-edges, we propose a distributed algorithm JabeJa* to minimize the number of input-nodes in graph. In the best cases, those strategies can reduce the communication volume to 30%, driver-side compuation time to 30% and overall running time to 50%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle