本研究提出了两种将 Delete/Rederive 算法和 Backward/Forward 算法与 Counting 算法相结合的混合算法，以减少甚至消除对于逆向规则评估的瓶颈，从而有效优化对于非递归 datalog 程序的更新速度。
Nov, 2017
本文提出一种基于模块化框架的材料化计算和维护的方法，该方法使用半朴素算法处理少数规则，同时可使用两种算法计算关系的传递闭包，实验表明，与现有的方法相比，本方法可以处理任意的 datalog 程序，而且性能也要高得多。
Nov, 2018
本文提供了应用超树分解来优化和简化 Datalog 程序的算法，并与标准 Datalog 和增量规则评估方法相结合。经过实验证明，当程序包含复杂规则时，这种方法通常比基线方法快得多。
May, 2023
本文提出了一种基于分层策略的依赖超图适应方法，用于在 Datalog 推理中进行增量维护，特别适用于物联网和边缘计算的环境中，通过对智能设备的新获取知识进行推理和 Datalog 规则的更新。
Dec, 2023
BigDatalog 是 Datalog 的扩展，旨在实现在 Apache Spark 和多核系统上的性能和可扩展性，其图分析性能优于 GraphX，通过实现技术（例如半朴素极限和魔术集）解决了在递归中使用数量、总和和极值等问题。
Jul, 2018
本文提出了一种称为 Difflog 的技术，可以将逻辑规则从离散变量扩展到连续变量，该技术通过为 Datalog 程序的各个规则附加实值权重，自然地将数值与程序的各个结论相关联，在知识发现、形式验证和数据库查询等问题上实现学习复杂程序的显着提高。
Jun, 2019
本文提出了一种优化的 semianive DatalogMTL 策略，通过确保每个时态规则实例在算法执行期间最多只被考虑一次，从而在 DatalogMTL 中减少了冗余计算，显著缩短了材料化时间。
Aug, 2022
本文介绍一种用于优化 Datalog 查询的索引技术，通过确定最佳索引方案及 Datalog 规则的适当排列来降低内存消耗并优化查询效率，结果表明在不损失效率的情况下，内存使用显著减少。
Jul, 2019
本文介绍了一种新的 Datalog 推理物化方法，将基于列的内存布局与避免运行时冗余推理的新型优化方法相结合，进一步提高了效率，并通过有预测性的缓存某些子查询，实现了在受限资源下甚至可以与最先进的系统的性能相匹配的结果。
Nov, 2015
这篇论文提出了一个通用框架，将优化的存储方案与标准物质化算法集成，针对常见的转换规则和联合规则，通过优化的存储方案显著改进了内存消耗，有时候提升几个数量级，同时在查询响应时间方面保持竞争力。