机构名称：
¥ 1.0
大多数应用程序都有理想的数据模型，应通过以下方式通过：通过关系，社交网络，通过图表进行社交网络，通过文档进行消息应用程序和向量的机器学习。不幸的是，需要针对“不那么理想的”（我们使用“强加”一词）的数据模型来实施许多应用程序：业务数据存储在文档中，学习的模型必须嵌入在向量中。该问题的教科书解决方案是物理集成：从施加的数据模型中提取，转换和加载数据。虽然有效，但此ETL过程却很昂贵，并导致稳定性。虚拟集成（通过查询重写）避免了这些问题，但会导致理想到型模型映射的组合爆炸。我们建议通过开发一个“桥式表示”来解决此问题，该“桥梁表示”可在可能的情况下通过查询翻译实现虚拟集成，并在必要时通过数据转换来实现虚拟集成。在本文中，我们概述了这个想法，研究了许多指导用例，并将研究议程制定针对这种桥梁表示和实现该方法的系统。我们还提供了一些初步结果，表明即使是非基础数据模型集成，也可以在物理整合成本的一小部分中支持矢量嵌入。
头目 - 通过部分查询翻译的虚拟数据模型组成
主要关键词
相关文件推荐
