[论文解读] Towards a query language for annotation graphs

Steven Bird, Peter Buneman+1 more|Scholarly Commons (University of Pennsylvania)|Jul 13, 2000

Semantic Web and Ontologies参考文献 14被引用 40

一句话总结

本文提出了一种用于注释图的新型查询语言——一种在语音和语言数据库中使用的复杂、时序结构化数据模型，通过借鉴半结构化数据语言中的路径模式表达式实现。该研究引入了一种优化技术，将先后关系分解为时间关系与传递弧关系，从而通过利用注释图的准线性结构，在主内存中实现高效查询处理，显著减少存储开销，并提升大规模语音数据库上的查询性能。

ABSTRACT

The multidimensional, heterogeneous, and temporal nature of speech databases raises interesting challenges for representation and query. Recently, annotation graphs have been proposed as a general-purpose representational framework for speech databases. Typical queries on annotation graphs require path expressions similar to those used in semistructured query languages. However, the underlying model is rather different from the customary graph models for semistructured data: the graph is acyclic and unrooted, and both temporal and inclusion relationships are important. We develop a query language and describe optimization techniques for an underlying relational representation.

研究动机与目标

• 解决现有查询语言在处理语音数据库中复杂、多层级和时序结构化语言注释方面的局限性。
• 设计一种查询语言，能够自然地表达注释图上的基于路径的查询，类似于半结构化数据语言中的表达方式，但针对图结构的独特性进行了适配。
• 通过利用注释图的准线性时序流特性，优化查询评估，减少对昂贵的传递闭包计算的依赖。
• 通过将先后关系分解为时间关系与传递弧关系，实现复杂查询的高效主内存执行。
• 通过智能数据分区最小化磁盘I/O，支持对大规模语音数据库（如Switchboard）的可扩展、高效访问。

提出的方法

• 提出一种基于正则路径模式的查询语言，允许用户使用带标签的路径表达式，自然地描述在注释图的节点与弧之间进行的复杂导航。
• 引入两个关键关系：'time' 用于存储每个节点的时间边界（前驱和后继时间），'TA'' 仅存储跨越时间边界的弧，从而减小传递闭包的规模。
• 使用函数依赖：ante(n) 和 post(n) 分别表示前驱时间节点的最早后继时间与后继时间节点的最晚前驱时间。
• 通过析取查询重构完整的传递先后关系（TC）：TC(m,n) 当且仅当 post(m) < ante(n) 或 TA'(m,n)，从而利用标准索引实现高效评估。
• 采用范围索引访问方式，将查询评估限制在由时间区间界定的相关子图内，支持主内存处理。
• 应用查询重写与索引策略，利用准线性结构避免完整传递闭包计算（最坏情况时间复杂度为O(n²)）。

实验结果

研究问题

• RQ1 如何设计一种查询语言，使其能自然表达注释图上的复杂路径查询？注释图结合了时间、包含与层次关系。
• RQ2 可应用哪些优化技术于注释图查询中，以利用其固有的准线性结构，降低计算成本？
• RQ3 能否通过一种分解表示方式，高效计算或近似传递闭包，使其能适配主内存？
• RQ4 与完整TC存储相比，所提出的先后关系分解方式（时间与TA'）在真实世界语音数据库中，在空间占用与查询性能方面表现如何？
• RQ5 时序分区在多大程度上可实现复杂查询的主内存评估，从而绕过昂贵的基于磁盘的操作？

主要发现

• 将传递先后关系分解为'time'与'TA''关系，显著降低了存储需求：在Switchboard数据库的单条时间线上，TC大小约为190万，而TA'大小仅为10,585。
• 同一时间线上，'time'关系仅包含1,992个条目，表明时间边界可被紧凑存储。
• 在整个Switchboard数据库中，TA'的最大观测大小为15,286，表明优化后的表示方式具有良好的可扩展性，且可完全容纳于主内存。
• 通过使用两个条件的析取（post(m) < ante(n) 或 TA'(m,n)），可高效重构查询TC(m,n)，并借助标准索引实现快速评估。
• 通过将查询限制在由时间区间（ante(X) 与 post(Y)）界定的子图内，该方法实现了主内存评估，避免了昂贵的磁盘I/O操作，显著提升性能。
• 该方法通过利用注释图的准线性结构，有效缩小搜索空间，避免完整传递闭包计算，从而在大规模语音数据库上实现高效的查询处理。