[论文解读] An Empirical Study of Real-World SPARQL Queries

Mario Arias, Javier D. Fernández+2 more|arXiv (Cornell University)|Mar 25, 2011

Semantic Web and Ontologies参考文献 16被引用 143

一句话总结

本文对来自 DBPedia 和 SWDF 公共端点的 300 万条真实 SPARQL 查询进行了实证分析，发现大多数查询都很简单，包含较少的三元组模式和连接操作。研究发现，主体-主体（Subject-Subject）、主体-对象（Subject-Object）和对象-对象（Object-Object）连接最为常见，且 99.97% 的查询具有星形图模式，且链长极短，为 RDF 存储优化和查询引擎设计提供了依据。

ABSTRACT

Understanding how users tailor their SPARQL queries is crucial when designing query evaluation engines or fine-tuning RDF stores with performance in mind. In this paper we analyze 3 million real-world SPARQL queries extracted from logs of the DBPedia and SWDF public endpoints. We aim at finding which are the most used language elements both from syntactical and structural perspectives, paying special attention to triple patterns and joins, since they are indeed some of the most expensive SPARQL operations at evaluation phase. We have determined that most of the queries are simple and include few triple patterns and joins, being Subject-Subject, Subject-Object and Object-Object the most common join types. The graph patterns are usually star-shaped and despite triple pattern chains exist, they are generally short.

研究动机与目标

• 为了理解真实世界中 SPARQL 查询的模式，以改进 RDF 存储和查询引擎的设计。
• 分析 SPARQL 查询的语法和结构特征，重点关注连接等昂贵操作以及三元组模式。
• 为 RDF 系统中的索引构建、查询优化和基准测试提供数据驱动的洞见。
• 验证关于图模式形状（例如星形）和链长在实际使用中的假设。

提出的方法

• 从 DBPedia 和 SWDF 公共端点日志中收集并解析了 500 万条 SPARQL 查询。
• 过滤掉来自同一主机的重复查询和解析错误的查询，保留了 DBPedia 的 43.9% 和 SWDF 的 29.1% 用于分析。
• 使用基于 Jena 的自定义工具提取语法和结构特征，包括查询类型、三元组模式和图模式结构。
• 从查询模式构建有向图，以测量最长路径和出度分布，用于形状分析。
• 根据变量对对连接类型（如 SS、SO、OO）进行分类，并在不同查询引擎中一致地统计其出现次数。
• 应用出度的模式序列化方法，以识别星形和链状图结构。

实验结果

研究问题

• RQ1 在真实使用场景中，最常见的 SPARQL 查询类型是什么？
• RQ2 在真实查询中，连接、OPTIONAL 和 UNION 等昂贵操作的使用频率如何？
• RQ3 在真实 SPARQL 查询中，图模式的结构分布如何，特别是星形与链状结构的分布？
• RQ4 在实际查询工作负载中，连接类型（如 SS、SO、OO 等）的分布是怎样的？
• RQ5 真实查询在多大程度上符合关于星形或长链模式的假设？

主要发现

• DBPedia 查询中 66.41% 和 SWDF 查询中 97.25% 仅包含一个三元组模式，表明简单查询具有高度普遍性。
• 主体-主体（SS）连接最为常见（约占所有连接的 60%），其次是主体-对象（SO，约 35%）和对象-对象（OO，约 4.5%）。
• 仅 4.25% 的 DBPedia 查询包含至少一个连接，且每个查询中的连接数量在超过两个后迅速减少。
• 98% 的查询在其图模式中具有长度为一的最长路径，仅有 0.07% 的查询路径长度超过五个跳数。
• 99.97% 的查询具有星形或近似星形的图模式，最常见的模式是一个三元组（DBPedia 占 66.5%，SWDF 占 97.5%）。
• 三元组模式链虽然存在但极为罕见，仅有 0.07% 的查询具有超过五个节点的链，且观察到的最长路径为五个跳数。