龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：复旦大学;星环信息科技(上海)股份有限公司
申请日：2024-03-14
公开（公告）日：2024-06-21
公开（公告）号：CN118227839A
主分类号：G06F16/901
分类号：G06F16/901;G06F16/906;G06F16/903;G06N20/00
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明属于图数据库技术领域，具体为一种基于强化学习和图摘要的图数据库查询成本估计方法。本发明通过对原始图数据库进行抽样和聚类生成图摘要；根据图摘要估计不同查询执行计划的成本；同时，采用DQN模型作为强化学习模型，对模型进行训练；模型输入是查询计划的特征向量，输是每个查询执行计划的预期奖励值。DQN模型通过训练学会选择成本最小的查询执行计划；在接收到用户路径查询请求时，模型首先生成所有可能的查询执行计划；然后，利用图摘要估计每个计划的成本，并将计划特征向量输入到模型中；最后，选择预期奖励值最高的查询执行计划进行执行。本发明在不访问原始数据的情况下进行查询成本估计，降低计算和存储的开销，提高查询效率。
主权项：1.一种基于强化学习和图摘要的图数据库查询成本估计方法，其特征在于，首先，通过对原始图数据库进行抽样和聚类，生成一个图摘要；然后，根据图摘要，估计不同查询执行计划的成本，具体来说，通过计算查询执行计划中涉及的边和顶点数量，以及相应的聚类系数和邻接矩阵，得到查询计划的成本估计值；其中，所述估计不同查询执行计划成本时，涉及如何选择成本最小的查询执行计划，为此，采用基于强化学习的模型，具体来说，采用深度Q网络DQN模型作为强化学习模型，对强化学习模型进行训练；模型的输入是查询计划的特征向量；模型的输出是每个查询执行计划的预期奖励值；对强化学习模型训练过程中，通过与图数据库进行交互，收集查询执行计划的真实成本数据，并根据这些数据调整DQN模型的参数；经过一定数量的训练迭代，DQN模型学会选择成本最小的查询执行计划；结合上述查询成本估计和强化学习模型，在接收到用户的路径查询请求时，强化学习模型首先生成所有可能的查询执行计划；然后，利用图摘要估计每个计划的成本，并将计划特征向量输入到强化学习模型中；最后，选择预期奖励值最高的查询执行计划进行执行。
全文数据：
权利要求：
百度查询： 复旦大学;星环信息科技(上海)股份有限公司 基于强化学习和图摘要的图数据库查询成本估计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号