Mar, 2022

AWAPart：适应工作负载的知识图谱分区

PDF
TL;DR本篇文章提出了一种自适应分区方法，可应对大规模知识图谱中查询工作量变化的需求，通过动态适应知识图谱三元组的分区，可以提高查询处理时间的性能。
large-scale knowledge graphspartitioningdistributed systemadaptationquery workload
发现论文，激发创造
  • WawPart: 知识图谱的工作负载感知分区

    本研究提出了一种基于查询工作负载的知识图谱分区方法，通过聚类查询和重写查询来减少分布式关联并优化工作负载性能。实验结果表明了该方法在工作负载处理时间上的性能提高。

    Mar, 2022

  • GAP: 通用的近似图分区框架

    本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。

    Mar, 2019

  • 有效局部搜索增强平衡图边划分

    本文研究了图分区中的边划分问题，提出了可调节的边和块的两个新概念，基于此发展了一种贪心启发式和一个利用最大流模型的改进搜索算法，可以大幅度提高图分区的质量和近似比。

    Dec, 2020

  • 基于分区的图神经网络主动学习

    本文提出了一种基于图划分的半监督学习的主动学习方法 ——GraphPart，该方法可以在不引入额外的超参数的情况下，在 GNN 上取得更好的性能。

    Jan, 2022

  • 通过并行次模逼近进行图分区以加速分布式机器学习

    该论文提出了一种基于图分割的分布式计算算法，其可以有效降低数据分布式处理过程中的通信成本，实验结果表明该算法能够在机器学习系统中实现 1.6 倍的加速，并且消除 90％的网络通信。

    May, 2015

  • 分布式图神经网络训练的分区策略实验比较

    本文研究了图分区对分布式图神经网络训练的有效性，发现图分区是一个关键的预处理步骤，能够大大减少训练时间和内存占用，同时也证明了分区所需的时间可以通过减少图神经网络训练时间加以弥补。

    Aug, 2023

  • 知识图谱合并、分割和嵌入实现大规模实体对齐

    本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

    Aug, 2022

  • 学习空间数据分区

    本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。

    Jun, 2023

  • 熵感知训练方法用于快速准确的分布式图神经网络

    通过改进分布式框架和训练技术，提高了大规模图神经网络的训练效率和准确性，减少了数据分布和类别不均衡引起的性能下降，并在基准测试中实现了训练时间加速和 F1 分数的提升。

    Nov, 2023

  • 将知识图谱创建扩展到大规模和异构数据源

    本研究提出了一种自动生成 RDF 知识图谱的方法，使用 RDF Mapping Language 制定映射断言并实现优化的部署计划，以提高 RML 兼容引擎的性能。

    Jan, 2022