JP2021531540A - マルチソース型の相互運用性および/または情報検索の最適化 - Google Patents
マルチソース型の相互運用性および/または情報検索の最適化 Download PDFInfo
- Publication number
- JP2021531540A JP2021531540A JP2020565902A JP2020565902A JP2021531540A JP 2021531540 A JP2021531540 A JP 2021531540A JP 2020565902 A JP2020565902 A JP 2020565902A JP 2020565902 A JP2020565902 A JP 2020565902A JP 2021531540 A JP2021531540 A JP 2021531540A
- Authority
- JP
- Japan
- Prior art keywords
- data
- graph
- query
- neural network
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims description 131
- 238000000034 method Methods 0.000 claims abstract description 218
- 238000013499 data model Methods 0.000 claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 98
- 230000001934 delay Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 132
- 238000010801 machine learning Methods 0.000 claims description 129
- 230000004044 response Effects 0.000 claims description 53
- 238000013500 data storage Methods 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000001131 transforming effect Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000013523 data management Methods 0.000 description 35
- 238000012545 processing Methods 0.000 description 31
- 238000007726 management method Methods 0.000 description 28
- 238000013501 data transformation Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 230000001537 neural effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 201000001880 Sexual dysfunction Diseases 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
- G06F16/24542—Plan optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/256—Integrating or interfacing systems involving database management systems in federated or virtual databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
本出願は、2018年6月13日に出願された以下の米国出願の利益を主張し、これらの全内容は参照により本明細書に組み込まれる。(1)米国特許出願第16/007,639号、発明の名称「予測に基づくデータサブグラフの生成を介してデータ検索遅延を低減するシステムおよび方法」、(2)米国特許出願第16/007,911号、発明の名称「予測モデルに基づくグラフデータモデルの生成を提供するためのシステムおよび方法」、(3)米国特許出願第16/07,850号、発明の名称「データ検索プロセスにおけるクエリ関連のリソース使用を低減するシステムおよび方法」。
いくつかの実施形態では、最適化サブシステム118は、データリクエスト(例えば、ユーザからの明示的なリクエストまたはその他のリクエスト)から派生したクエリセット、例えば、グラフクエリ(またはデータリクエストに関連するその他のクエリ)が変換されるクエリセットを最適化することによって、そのようなクエリ関連のリソース使用量を削減してもよい。いくつかの実施形態では、そのようなクエリセットの最適化は、複数のクエリをリンクするクエリ演算子のクエリセットからの削除、クエリセットにおける複数のクエリを単一のクエリへと統合、一つまたは複数のクエリをクエリセットから削除またはその他の最適化を含んでもよい。このような最適化は、充足可能性の(例えば、特定のクエリから得られた複数の結果の組み合わせに関連する)問題、非互換性の問題または他の問題の予測に基づいて、このような問題またはこのような問題の悪影響を回避または軽減するために実行され得る。
?従業員:hasSalary?給与
?従業員:worksOn?プロジェクト
[実施形態1]
第1のグラフデータモデルに関連する第1のモデリング情報であって、第1のグラフデータベースと互換性のない第1のデータ表現を前記第1のグラフデータベースと互換性のあるグラフデータ表現へと変換するための第1のテンプレートを含む前記第1のモデリング情報を取得する工程と、
前記第1のテンプレートの一つ以上のテンプレートおよび前記第1のデータ表現を前記機械学習モデルに提供する工程と、を備え、
前記機械学習モデルは、前記第1のテンプレートの一つ以上の追加テンプレートを前記第1のテンプレートの前記一つ以上の追加テンプレートに依存することなく予測するように構成されており、前記方法は更に、前記機械学習モデルをトレーニングするべく、前記機械学習モデルによる前記一つ以上の追加テンプレートの予測に対する参照フィードバックとして、前記第1のテンプレートの前記一つ以上の追加テンプレートを前記機械学習モデルに提供する工程と、
所与のグラフデータモデルが所与のデータベースのデータ表現を所与のグラフデータベースのグラフデータ表現へと変換するための一つ以上のテンプレートを生成するべく、前記所与のデータベースからのデータ表現のコレクションを前記機械学習モデルに提供する工程と、を備える方法。
[実施形態2]
前記所与のグラフデータベースの前記グラフデータ表現は、グラフノードまたは前記グラフノードを接続するエッジを含む、実施形態1に記載の方法。
[実施形態3]
第2のグラフデータモデルに関連する第2のモデリング情報であって、第2のグラフデータベースと互換性のない第2のデータ表現を前記第2のグラフデータベースと互換性のあるグラフデータ表現へと変換するための第2のテンプレートを含む前記第2のモデリング情報を取得する工程と、
前記第2のテンプレートの一つ以上のテンプレートおよび前記第2のデータ表現を前記機械学習モデルに提供する工程と、を備え、
前記機械学習モデルは、前記第2のテンプレートの一つ以上の追加テンプレートを前記第2のテンプレートの前記一つ以上の追加テンプレートに依存することなく予測するように構成されており、
前記機械学習モデルをトレーニングするべく、前記機械学習モデルによる前記第2のテンプレートの前記一つ以上の追加テンプレートの予測に対する参照フィードバックとして、前記第2のテンプレートの前記一つ以上の追加テンプレートを前記機械学習モデルに提供する工程と、を備える、実施形態1または2に記載の方法。
[実施形態4]
前記第1のデータ表現および前記第2のデータ表現は、同じデータベースと互換性がある、実施形態3に記載の方法。
[実施形態5]
前記第1のデータ表現は第1の非グラフデータベースと互換性があり、前記第2のデータ表現は第2の非グラフデータベースと互換性があるが前記第1の非グラフデータベースとは互換性がない、実施形態3に記載の方法。
[実施形態6]
前記第1のデータ表現または前記第2のデータ表現は、少なくとも一つのグラフデータベースと互換性がある、実施形態3に記載の方法。
[実施形態7]
前記所与のグラフデータベース内のグラフのノードおよびエッジに関連し複数のデータ表現セットを示すグラフ情報であって、前記複数のデータ表現セットのデータ表現セットはそれぞれノードおよびノードを接続するエッジを含む、前記グラフ情報を取得する工程と、
前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルが前記データ表現セットの1つ以上の追加ノードまたは追加エッジを予測するために、前記データ表現セットの1つ以上のノードまたはエッジを前記機械学習モデルに提供する工程と、を更に備え、
前記機械学習モデルは、前記1つ以上の追加ノードまたは追加エッジに依存することなく、前記1つ以上の追加ノードまたは追加エッジの予測を実行するように構成されており、前記機械学習モデルをトレーニングするべく、前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルによる前記1つ以上の追加ノードまたは追加エッジの予測に対する参照フィードバックとして、前記データ表現セットの前記1つ以上の追加ノードまたは追加エッジを前記機械学習モデルに提供する工程と、を備える、実施形態1から6の何れか一つに記載の方法。
[実施形態8]
前記機械学習モデルを介して、前記グラフのノードまたはエッジを処理するべく前記グラフのトラバースを実行して、前記機械学習モデルに前記グラフの新しいノードまたは新しいエッジを生成させる工程と、
前記機械学習モデルからの前記新しいノードまたは前記新しいエッジを前記グラフに追加する工程と、を更に備える、実施形態7に記載の方法。
[実施形態9]
前記グラフの前記トラバースに基づいて、前記機械学習モデルから所与のノードまたはエッジを取得する工程と、
前記所与のノードまたはエッジの追加に関してユーザが了承することに基づいて、前記機械学習モデルからの前記所与のノードまたはエッジを前記グラフに追加する工程と、
前記機械学習モデルによる前記所定のノードまたはエッジの生成に関する参照フィードバックとして、前記ユーザの了承を示す情報を前記機械学習モデルに提供する工程と、を更に備える、実施形態8に記載の方法。
[実施形態10]
前記グラフの前記トラバースに基づいて、前記機械学習モデルから所与のノードまたはエッジを取得する工程と、
前記所与のノードまたはエッジを追加することに関するユーザの拒否を取得する工程と、を更に備え、
前記所与のノードまたはエッジは、前記ユーザの拒否に基づいて前記グラフに追加されず、
前記方法は更に、前記機械学習モデルによる前記所定のノードまたはエッジの生成に関する参照フィードバックとして、前記ユーザの拒否を示す情報を前記機械学習モデルに提供する工程、を備える、実施形態8に記載の方法。
[実施形態11]
データリクエストが未来に発生すると予測する工程と、
グラフデータモデルに基づいて、前記データリクエストが求めると予測されるデータであるデータセットのデータサブセットを表す一つ以上のサブグラフを、前記データリクエストの前記予測に応答して生成する工程と、
前記一つ以上のサブグラフを一時データストレージに格納する工程と、
予測された前記データリクエストに一致する次のデータリクエストを、前記一つ以上のサブグラフの前記格納の後に取得する工程と、
予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記一つ以上のサブグラフを前記一次データストレージから取得する工程と、前記次のデータリクエストに応答するべく前記一つ以上のサブグラフを使用する工程と、を備える方法。
[実施形態12]
前記一つ以上のサブグラフを使用する工程は、
前記データサブセットを、前記一つ以上のサブグラフのノードおよびエッジから抽出する工程と、
前記次のデータリクエストに応答するべく、抽出された前記データサブセットを返す工程と、を有する、実施形態11に記載の方法。
[実施形態13]
前記データリクエストの前記予測に応答して、前記データサブセットの第1のデータサブセットを一つ以上の非グラフデータベースから取得する工程を更に備え、
前記一つ以上のサブグラフを生成する工程は、前記第1のデータサブセットを取得した後に、前記グラフデータモデルに基づいて前記第1のデータサブセットを表す第1のサブグラフを生成する工程を有し、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく前記第1のサブグラフを使用するように前記第1のサブグラフを含む、実施形態11または12に記載の方法。
[実施形態14]
前記データリクエストの前記予測に応答して、前記データサブセットの第2のデータサブセットを一つ以上のグラフデータベースから取得する工程を更に備え、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく第2のサブグラフを使用するように、前記第2のデータサブセットを表す前記第2のサブグラフを含む、実施形態13に記載の方法。
[実施形態15]
予測された前記データリクエストの一つ以上の検索パラメータに基づいて、複数のグラフクエリを生成する工程と、
前記グラフデータモデルに基づいて、前記複数のグラフクエリの内の少なくとも一つを、一つ以上の非グラフクエリへと変換する工程と、
前記一つ以上の非グラフクエリを実行して、前記一つ以上の非グラフデータベースから前記第1のデータサブセットを取得する工程と、
前記複数のグラフクエリのうちのを別の一つを実行して、前記一つ以上の非グラフデータベースから前記第2のデータサブセットを取得する工程と、を更に備える、実施形態14に記載の方法。
[実施形態16]
予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するクエリプランを生成する工程を更に備え、
前記クエリプランは、予測された前記データリクエストに一致する前記次のデータリクエストに基づいて前記一時データストレージからデータを取得することを含むように生成され、
前記一つ以上のサブグラフを取得する工程は、前記クエリプランに基づいて前記一つ以上のサブグラフを前記一時データストレージから取得することを含む、実施形態11から15の何れか一つに記載の方法。
[実施形態17]
予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するクエリプランを生成する工程を更に備え、
前記クエリプランは、前記次のデータリクエストに応答して生成され、
前記一つ以上のサブグラフを取得する工程は、前記クエリプランに基づいて、前記一つ以上のサブグラフを前記一時データストレージから取得し、一つ以上のその他のデータサブセットを一つ以上のその他のデータソースから取得することを含み、
前記一つ以上のサブグラフを使用する工程は、前記次のデータリクエストに応答するべく、(i)前記一つ以上のサブグラフによって表される前記データサブセット、および(ii)前記一つ以上のその他のデータを使用することを含む、実施形態11から16の何れか一つに記載の方法。
[実施形態18]
前記データリクエストの前記予測に応答して、クエリを実行する工程を更に備え、
実行される前記クエリは、予測された前記データリクエストがクライアントデバイスから取得されていた場合に、予測された前記データリクエストに応答するために実行されたであろうクエリのセットの一部であり、
前記クエリに基づいて、前記データリクエストが求めると予測される前記データセットの前記データサブセットを取得する工程を更に備え、
前記一つ以上のサブグラフを生成する工程は、前記データサブセットおよび前記グラフデータモデルに基づいて前記一つ以上のサブグラフを生成することを含む、実施形態11から17の何れか一つに記載の方法。
[実施形態19]
前記データリクエストの前記予測から、前記クエリのセットのうちの一つ以上のその他のクエリの実行が発生しない、実施形態18に記載の方法。
[実施形態20]
機械学習モデルをトレーニングするべく、前記グラフデータモデルに互換性がある過去のクエリを前記機械学習モデルに提供する工程と、
前記機械学習モデルの前記トレーニングの後に、前記機械学習モデルから、前記データリクエストの前記予測を示す情報を取得する工程と、
前記機械学習モデルを更にトレーニングするべく、予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストを示す情報を参照フィードバックとして前記機械学習モデルに提供する工程と、を更に備える、実施形態11から19の何れか一つに記載の方法。
[実施形態21]
データリクエストに関連するクエリであって、複数のパターンを含む前記グラフクエリを取得する工程と、
グラフデータモデルおよび前記グラフクエリの前記複数のパターンに基づいて、前記グラフクエリをクエリセットへと変換する工程を備え、
前記クエリセットは、複数のクエリおよび前記複数のクエリをリンクするクエリ演算子を含み、前記クエリ演算子は、前記複数のクエリのうちの第1のクエリと第2のクエリとをリンクする第1のクエリ演算子を含み、
前記方法は更に、
前記第1のクエリおよび前記第2のクエリが実行される前に、前記第1のクエリおよび前記第2のクエリから導出される結果を組み合わせることに関する充足可能性の問題を予測する工程と、
前記クエリセットを更新するべく、前記充足可能性の問題の前記予測に基づいて前記クエリセットの一つ以上の最適化を実行する工程と、
前記グラフクエリを満たすべく、前記更新されたクエリセットを実行する工程と、を備える方法。
[実施形態22]
前記一つ以上の最適化を実行する工程は、前記充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第1のクエリ演算子を削除して、更新されたクエリセットが前記第1のクエリ演算子を含まないように前記クエリセットを更新することを含む、実施形態21に記載の方法。
[実施形態23]
前記クエリセットの複数のクエリのサブセットを実行する前に、前記充足可能性の問題の前記予測に基づいて、前記第1のクエリまたは前記第2のクエリを含まない前記クエリのサブサブセットから導出される結果を組み合わせることに関連する別の充足可能性の問題を予測する工程と、
前記別の充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第2のクエリ演算子を削除して、更新された前記クエリセットが前記第2のクエリ演算子を含まないように前記クエリセットを更新する工程と、を更に備える、実施形態22に記載の方法。
[実施形態24]
前記第1のクエリ演算子は、前記第1のクエリと前記第2のクエリとをリンクするunion、または、前記第1のクエリと前記第2のクエリをとリンクするjoinを含む、実施形態21から23の何れか一つに記載の方法。
[実施形態25]
前記充足可能性の問題を予測する工程は、
前記第1のクエリおよび前記第2のクエリに対する結果を取得するための第1のソースおよび第2のソースを決定する工程と、
第1のテンプレートおよび第2のテンプレートに関する非互換性を判定する工程と、を備え、
前記第1のテンプレートは、前記第1のソースからのデータ表現を、グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成され、前記第2のテンプレートは、前記第2のソースからのデータ表現を、前記グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成され、
前記方法は更に、前記第1のテンプレートおよび前記第2のテンプレートに関する前記非互換性に基づく前記充足可能性の問題を予測する工程を備える、実施形態21から24の何れか一つに記載の方法。
[実施形態26]
前記充足可能性の問題を予測する工程は、
前記グラフデータモデルに基づいて、前記第1のクエリに対する第1の結果をグラフデータベースに格納するためのデータタイプとして、第1のデータタイプを決定する工程と、
前記グラフデータモデルに基づいて、前記第2のクエリに対する第2の結果を前記グラフデータベースに格納するためのデータタイプとして、第2のデータタイプを決定する工程と、
前記第1のデータタイプおよび前記第2のデータタイプに関連する非互換性を判定する工程と、前記第1のデータタイプおよび前記第2のデータタイプに関連する前記非互換性に基づく前記充足可能性の問題を予測する工程と、を有する、実施形態21から25の何れか一つに記載の方法。 [実施形態27]
前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のあるデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、実施形態26に記載の方法。
[実施形態28]
前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のないデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、実施形態26に記載の方法。
[実施形態29]
機械学習モデルに複数のグラフクエリのそれぞれについて所与のクエリセットを予測させるべく、前記機械学習モデルに前記複数のグラフクエリを提供する工程を更に備え、
予測された前記所与のクエリセットのうちの少なくとも一つは、予測されたクエリおよび前記予測されたクエリをリンクする予測されたクエリ演算子を含み、
前記方法は更に、前記複数のグラフクエリのそれぞれについて、前記グラフクエリに対する参照クエリセットを参照フィードバックとして前記機械学習モデルに提供して、前記機械学習モデルに、前記予測した所与のクエリセットの前記参照クエリセットに対する評価を行わせる工程を備え、
予測された前記所与のクエリセットの前記機械学習モデルが行った前記評価に基づいて、前記機械学習モデルが更新され、
前記方法は更に、
前記グラフクエリを前記機械学習モデルに提供することにより前記グラフクエリを前記クエリセットへと変換して、前記クエリセットを得る工程と、
前記機械学習モデルに対する参照フィードバックとして前記更新されたクエリセットを前記機械学習モデルに提供して、前記機械学習モデルに、前記更新されたクエリセットに対して前記クエリセットの評価を行わせる工程と、を備え、
前記機械学習モデルが行った前記クエリセットの前記評価に基づいて、前記機械学習モデルが更新される、実施形態21から28の何れか一つに記載の方法。
[実施形態30]
複数のグラフクエリまたは複数の対応するクエリセットを機械学習モデルに提供して、前記機械学習モデルに、前記複数の対応するクエリセットのそれぞれについて一つ以上の所与の最適化を予測させる工程を更に備え、
前記予測された所与の最適化のうちの少なくとも一つは、複数のクエリをリンクする所与のクエリ演算子を所与のクエリセットから削除すること、複数のクエリを一つのクエリにマージすること、または、所与のクエリセットから一つ以上のクエリを削除すること、を含み、
前記方法は、前記複数の対応するクエリセットのそれぞれに関して、前記対応するクエリセットに対する一つ以上の参照最適化を、前記機械学習モデルに対する参照フィードバックとして提供して、前記機械学習モデルに、前記一つ以上の予測した所与の最適化を前記一つ以上の参照最適化に対して評価させる工程を更に備え、
前記機械学習モデルが行った前記一つ以上の予測した所与の最適化の前記評価に基づいて前記機械学習モデルが更新され、
前記方法は更に、
前記グラフクエリまたは前記グラフクエリから導出された初期クエリセットを前記機械学習モデルに提供して、前記初期クエリセットに対する一つ以上の最適化を得る工程と、
前記一つ以上の最適化を前記初期クエリセットに実行することにより、前記グラフクエリを前記クエリセットへと変換する工程と、
前記機械学習モデルに対する参照フィードバックとして、前記第1のクエリ演算子が削除されたことを示す情報を前記機械学習モデルに提供し、前記機械学習モデルに前記一つ以上の最適化を前記第1のクエリ演算子が削除されたことに対して評価させる工程と、を備え、
前記機械学習モデルが行った前記一つ以上の最適化の前記評価に基づいて前記機械学習モデルが更新される、実施形態21から29の何れか一つに記載の方法。
[実施形態31]
所与の複数のクエリセットを機械学習モデルに提供して、前記機械学習モデルに、前記所与の複数のクエリセットのそれぞれに関連する一つ以上の充足可能性の問題を予測させる工程と、
前記所与の複数のクエリセットのそれぞれに関して、前記所与のクエリセットに対する一つ以上の参照充足可能性問題を、前記機械学習モデルに対する参照フィードバックとして前記機械学習モデルに提供して、前記機械学習モデルに、前記一つ以上の予測した充足可能性の問題を前記一つ以上の参照充足可能性問題に対して評価させる工程とを更に備え、
前記機械学習モデルが行った前記一つ以上の予測した充足可能性の問題の前記評価に基づいて前記機械学習モデルが更新され、
前記方法は更に、
前記クエリセットを前記機械学習モデルに提供して、前記機械学習モデルから前記充足可能性の問題の前記予測を示す情報を取得する工程と、
前記機械学習モデルからの前記情報に基づいて、前記第1のクエリおよび前記第2のクエリから導出された結果を組み合わせることに関連する前記充足可能性の問題を予測する工程と、を備える、実施形態21から30の何れか一つに記載の方法。
[実施形態32]
命令を格納している有形で非一時的な機械可読媒体であって、前記命令がデータ処理装置によって実行されると、前記データ処理装置に実施形態1−31のいずれかを備える処理を実行する、機械可読媒体。
[実施形態33]
一つまたは複数のプロセッサと、命令を格納しているメモリとを備えるシステムであって、前記命令が前記一つまたは複数のプロセッサによって実行されると、前記一つまたは複数のプロセッサによって実施形態1−31のいずれかを含む処理が実現される、システム。
Claims (60)
- データ検索プロセスにおけるクエリ関連のリソース使用を低減させるためのシステムであって、前記システムは、
コンピュータプログラム命令を使用してプログラミングされている一つまたは複数のプロセッサを有するコンピュータシステムを備え、前記コンピュータプログラム命令が実行されると、前記コンピュータシステムは、
データリクエストに関連するグラフクエリであって、複数のパターンを含む前記グラフクエリを取得し、
グラフデータモデルおよび前記グラフクエリの前記複数のパターンに基づいて、前記グラフクエリをクエリセットへと変換し、
前記クエリセットは、複数のクエリおよび前記複数のクエリをリンクするクエリ演算子を含み、
前記クエリ演算子は、前記複数のクエリのうちの第1のクエリと第2のクエリとをリンクする第1のクエリ演算子を含み、
前記第1のクエリおよび前記第2のクエリが実行される前に、前記第1のクエリおよび前記第2のクエリから導出される結果を組み合わせることに関する充足可能性の問題を予測し、
前記充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第1のクエリ演算子を削除させて、更新された前記クエリセットが前記第1のクエリ演算子を含まないように前記クエリセットを更新し、
前記グラフクエリを満たすべく、前記更新されたクエリセットを実行する、方法。 - 前記第1のクエリ演算子は、前記第1のクエリと前記第2のクエリとをリンクするunion、または、前記第1のクエリと前記第2のクエリをとリンクするjoinを含む、請求項1に記載のシステム。
- 前記充足可能性の問題を予測することは、
前記第1のクエリおよび前記第2のクエリに対する結果を取得するための第1のソースおよび第2のソースを決定すること、
第1のテンプレートおよび第2のテンプレートに関する非互換性を判定すること、ならびに、
前記第1のテンプレートおよび前記第2のテンプレートに関する前記非互換性に基づく前記充足可能性の問題を予測すること、を含み、
前記第1のテンプレートは、前記第1のソースからのデータ表現を、グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成され、前記第2のテンプレートは、前記第2のソースからのデータ表現を、前記グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成されている、請求項1に記載のシステム。 - 前記充足可能性の問題を予測することは、
前記グラフデータモデルに基づいて、前記第1のクエリに対する第1の結果をグラフデータベースに格納するためのデータタイプとして、第1のデータタイプを決定すること、
前記グラフデータモデルに基づいて、前記第2のクエリに対する第2の結果を前記グラフデータベースに格納するためのデータタイプとして、第2のデータタイプを決定すること、
前記第1のデータタイプおよび前記第2のデータタイプに関連する非互換性を判定すること、ならびに、
前記第1のデータタイプおよび前記第2のデータタイプに関連する前記非互換性に基づく前記充足可能性の問題を予測すること、を含む、請求項1に記載のシステム。
- 前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のあるデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、請求項4に記載のシステム。
- 前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のないデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、請求項4に記載のシステム。
- 前記コンピュータシステムは更に、
前記クエリセットの複数のクエリのサブセットを実行する前に、前記充足可能性の問題の前記予測に基づいて、前記第1のクエリまたは前記第2のクエリを含まない前記クエリのサブサブセットから導出される結果を組み合わせることに関連する別の充足可能性の問題を予測し、
前記別の充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第2のクエリ演算子を削除して、更新された前記クエリセットが前記第2のクエリ演算子を含まないように前記クエリセットを更新する、請求項1に記載のシステム。 - 前記コンピュータシステムは更に、
ニューラルネットワークに複数のグラフクエリを提供し、前記ニューラルネットワークに、前記複数のグラフクエリのそれぞれに対する所与のクエリセットを予測させ、前記予測された所与のクエリセットのうちの少なくとも一つは、予測されたクエリおよび前記予測されたクエリをリンクする予測されたクエリ演算子を含み、
前記複数のグラフクエリのそれぞれについて、前記グラフクエリに対する参照クエリセットを参照フィードバックとして前記ニューラルネットワークに提供して、前記ニューラルネットワークに、前記予測された所与のクエリセットを前記参照クエリセットに対して評価させ、前記予測された所与のクエリセットの前記ニューラルネットワークによる評価に基づいて前記ニューラルネットワークは更新され、
前記グラフクエリを前記ニューラルネットワークに提供することにより前記グラフクエリを前記クエリセットへと変換して、前記クエリセットを取得し、
前記ニューラルネットワークに対する参照フィードバックとして、更新された前記クエリセットを前記ニューラルネットワークに提供して、前記ニューラルネットワークに前記クエリセットを前記更新されたクエリセットに対して評価させ、前記クエリセットの前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新される、請求項1に記載のシステム。 - 前記コンピュータシステムは更に、
複数のグラフクエリまたは複数の対応するクエリセットをニューラルネットワークに提供して、前記ニューラルネットワークに、前記複数の対応するクエリセットのそれぞれについて一つ以上の所与の最適化を予測させ、
前記予測された所与の最適化のうちの少なくとも一つは、複数のクエリをリンクする所与のクエリ演算子を所与のクエリセットから削除すること、複数のクエリを一つのクエリにマージすること、または、所与のクエリセットから一つ以上のクエリを削除すること、を含み、
前記複数の対応するクエリセットのそれぞれに関して、前記対応するクエリセットに対する一つ以上の参照最適化を、前記ニューラルネットワークに対する参照フィードバックとして提供して、前記ニューラルネットワークに前記一つ以上の予測した所与の最適化を前記一つ以上の参照最適化に対して評価させ、前記予測された所与のクエリセットの前記ニューラルネットワークによる評価に基づいて前記ニューラルネットワークが更新され、
前記グラフクエリまたは前記グラフクエリから導出された初期クエリセットを前記ニューラルネットワークに提供して、前記初期クエリセットに対する一つ以上の最適化を取得し、
前記一つ以上の最適化を前記初期クエリセットに対して実行することにより、前記グラフクエリを前記クエリセットへと変換し、
前記ニューラルネットワークに対する参照フィードバックとして、前記第1のクエリ演算子が削除されたことを示す情報を前記ニューラルネットワークに提供し、前記ニューラルネットワークに前記一つ以上の最適化を前記第1のクエリ演算子が削除されたことに対して評価させ、前記一つ以上の最適化の前記ニューラルネットワークによる評価に基づいて前記ニューラルネットワークが更新される、請求項1に記載のシステム。 - 前記コンピュータシステムは更に、
所与の複数のクエリセットをニューラルネットワークに提供して、前記ニューラルネットワークに、前記所与の複数のクエリセットのそれぞれに関連する一つ以上の充足可能性の問題を予測させ、
前記所与の複数のクエリセットのそれぞれに関して、前記所与のクエリセットについての一つ以上の参照充足可能性問題を、前記ニューラルネットワークに対する参照フィードバックとして前記ニューラルネットワークに提供して、前記ニューラルネットワークに、前記一つ以上の予測された充足可能性の問題を前記一つ以上の参照充足可能性問題に対して評価させ、前記一つ以上の予測された充足可能性の問題の前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新され、
前記クエリセットを前記ニューラルネットワークに提供して、前記ニューラルネットワークから前記充足可能性の問題の前記予測を示す情報を取得し、
前記ニューラルネットワークからの前記情報に基づいて、前記第1のクエリおよび前記第2のクエリから導出された結果を組み合わせることに関連する前記充足可能性の問題を予測する、請求項1に記載のシステム。 - データ検索プロセスにおけるクエリ関連のリソース使用を低減する方法であって、前記方法は、コンピュータプログラム命令を実行する一つまたは複数のプロセッサを備えるコンピュータシステムによって実装され、前記コンピュータプログラム命令が実行されると、前記方法を実行し、
前記方法は、
データリクエストに関連するクエリであって、複数のパターンを含む前記グラフクエリを取得する工程と、
グラフデータモデルおよび前記グラフクエリの前記複数のパターンに基づいて、前記グラフクエリをクエリセットへと変換する工程と、を備え、
前記クエリセットは、複数のクエリおよび前記複数のクエリをリンクするクエリ演算子を含み、前記クエリ演算子は、前記複数のクエリのうちの第1のクエリと第2のクエリとをリンクする第1のクエリ演算子を含み、
前記方法は更に、
前記第1のクエリおよび前記第2のクエリが実行される前に、前記第1のクエリおよび前記第2のクエリから導出される結果を組み合わせることに関する充足可能性の問題を予測する工程と、
前記充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第1のクエリ演算子を削除させて、更新された前記クエリセットが前記第1のクエリ演算子を含まないように前記クエリセットを更新させる工程と、
前記グラフクエリを満たすべく、前記更新されたクエリセットを実行する工程と、を備える、方法。 - 前記第1のクエリ演算子は、前記第1のクエリと前記第2のクエリとをリンクするunion、または、前記第1のクエリと前記第2のクエリをとリンクするjoinを含む、請求項11に記載の方法。
- 前記充足可能性の問題を予測する工程は、
前記第1のクエリおよび前記第2のクエリに対する結果を取得するための第1のソースおよび第2のソースを決定すること、
第1のテンプレートおよび第2のテンプレートに関する非互換性を判定すること、ならびに
前記第1のテンプレートおよび前記第2のテンプレートに関連する前記非互換性に基づく前記充足可能性の問題を予測すること、を含み、
前記第1のテンプレートは、前記第1のソースからのデータ表現を、グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成され、前記第2のテンプレートは、前記第2のソースからのデータ表現を、前記グラフデータベースと互換性を有するグラフデータ表現へと変換するように構成されており、
前記方法は更に、前記第1のテンプレートおよび前記第2のテンプレートに関する前記非互換性に基づく前記充足可能性の問題を予測する工程を備える、請求項11に記載の方法。 - 前記充足可能性の問題を予測する工程は、
前記グラフデータモデルに基づいて、前記第1のクエリに対する第1の結果をグラフデータベースに格納するためのデータタイプとして、第1のデータタイプを決定すること、
前記グラフデータモデルに基づいて、前記第2のクエリに対する第2の結果を前記グラフデータベースに格納するためのデータタイプとして、第2のデータタイプを決定すること、
前記第1のデータタイプおよび前記第2のデータタイプに関連する非互換性を判定すること、ならびに、
前記第1のデータタイプおよび前記第2のデータタイプに関連する前記非互換性に基づく前記充足可能性の問題を予測すること、を含む、請求項11に記載の方法。 - 前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のあるデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、請求項14に記載の方法。
- 前記第2の結果に対応する第2のデータ表現を第2のソースに格納するために使用されるデータタイプと互換性のないデータタイプとして、前記第1の結果に対応する第1のデータ表現が第1のソースに格納される、請求項14に記載の方法。
- 前記クエリセットの複数のクエリのサブセットを実行する前に、前記充足可能性の問題の前記予測に基づいて、前記第1のクエリまたは前記第2のクエリを含まない前記クエリのサブサブセットから導出される結果を組み合わせることに関連する別の充足可能性の問題を予測する工程と、
前記別の充足可能性の問題の前記予測に基づいて、前記クエリセットから前記第2のクエリ演算子を削除して、更新された前記クエリセットが前記第2のクエリ演算子を含まないように前記クエリセットを更新する工程と、更に備える、請求項11に記載の方法。 - ニューラルネットワークに複数のグラフクエリを提供し、前記ニューラルネットワークに、前記複数のグラフクエリのそれぞれに対する所与のクエリセットを予測させる工程を更に備え、
前記予測された所与のクエリセットのうちの少なくとも一つは、予測されたクエリおよび前記予測されたクエリをリンクする予測されたクエリ演算子を含み、
前記方法は更に、前記複数のグラフクエリのそれぞれについて、前記グラフクエリに対する参照クエリセットを参照フィードバックとして前記ニューラルネットワークに提供して、前記ニューラルネットワークに、前記予測された所与のクエリセットを前記参照クエリセットに対して評価させる工程を備え、
前記予測された所与のクエリセットの前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークは更新され、
前記方法は更に、
前記グラフクエリを前記ニューラルネットワークに提供することにより前記グラフクエリを前記クエリセットへと変換して、前記クエリセットを取得する工程と、
前記ニューラルネットワークに対する参照フィードバックとして、更新された前記クエリセットを前記ニューラルネットワークに提供して、前記ニューラルネットワークに前記クエリセットを前記更新されたクエリセットに対して評価させる工程と、を備え、
前記クエリセットの前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新される、請求項11に記載の方法。 - 複数のグラフクエリまたは複数の対応するクエリセットをニューラルネットワークに提供して、前記ニューラルネットワークに、前記複数の対応するクエリセットのそれぞれについて一つ以上の所与の最適化を予測させる工程を備え、
前記予測された所与の最適化のうちの少なくとも一つは、複数のクエリをリンクする所与のクエリ演算子を所与のクエリセットから削除すること、複数のクエリを一つのクエリにマージすること、または、所与のクエリセットから一つ以上のクエリを削除すること、を含み、
前記方法は更に、前記複数の対応するクエリセットのそれぞれに関して、前記対応するクエリセットに対する一つ以上の参照最適化を、前記ニューラルネットワークに対する参照フィードバックとして提供して、前記ニューラルネットワークに前記予測された一つ以上の所与の最適化を前記一つ以上の参照最適化に対して評価させる工程を備え、
前記予測された一つ以上の所与の最適化の前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新され、
前記方法は更に、
前記グラフクエリまたは前記グラフクエリから導出された初期クエリセットを前記ニューラルネットワークに提供して、前記初期クエリセットに対する一つ以上の最適化を取得する工程と、
前記一つ以上の最適化を前記初期クエリセットに実行することにより、前記グラフクエリを前記クエリセットへと変換する工程と、
前記ニューラルネットワークに対する参照フィードバックとして、前記第1のクエリ演算子が削除されたことを示す情報を前記ニューラルネットワークに提供し、前記ニューラルネットワークに前記一つ以上の最適化を前記第1のクエリ演算子が削除されたことに対して評価させる工程と、を備え、
前記一つ以上の最適化の前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新される、請求項11に記載の方法。 - 所与の複数のクエリセットをニューラルネットワークに提供して、前記ニューラルネットワークに、前記所与の複数のクエリセットのそれぞれに関連する一つ以上の充足可能性の問題を予測させる工程と、
前記所与の複数のクエリセットのそれぞれに関して、前記所与のクエリセットについての一つ以上の参照充足可能性問題を、前記ニューラルネットワークに対する参照フィードバックとして前記ニューラルネットワークに提供して、前記ニューラルネットワークに前記予測された一つ以上の充足可能性の問題を前記一つ以上の参照充足可能性問題に対して評価させる工程と、を備え、
前記予測された一つ以上の充足可能性の問題の前記ニューラルネットワークによる評価に基づいて、前記ニューラルネットワークが更新され、
前記方法は更に、
前記クエリセットを前記ニューラルネットワークに提供して、前記ニューラルネットワークから前記充足可能性の問題の前記予測を示す情報を取得する工程と、
前記ニューラルネットワークからの前記情報に基づいて、前記第1のクエリおよび前記第2のクエリから導出された結果を組み合わせることに関連する前記充足可能性の問題を予測する工程と、備える、請求項11に記載の方法。 - 予測に基づくデータサブグラフの生成を介して、データ検索遅延を低減させるためのシステムであって、前記システムは、
コンピュータプログラム命令を使用してプログラミングされている一つまたは複数のプロセッサを有するコンピュータシステムを備え、
前記コンピュータプログラム命令が実行されると、前記コンピュータシステムは、
グラフデータモデルと互換性のある過去のクエリに基づいて、データリクエストが未来に発生することを予測し、
グラフデータモデルに基づいて、前記データリクエストが求めると予測されるデータであるデータセットのデータサブセットを表す一つ以上のサブグラフを、前記データリクエストの前記予測に応答して生成し、
前記一つ以上のサブグラフを一時データストレージに格納し、
前記一つ以上のサブグラフの前記格納の後に、前記予測されたデータリクエストに一致する次のデータリクエストを取得し、
前記予測されたデータリクエストに一致する前記次のデータリクエストに基づいて、前記一つ以上のサブグラフを前記一次データストレージから取得し、
前記次のデータリクエストに応答するべく前記一つ以上のサブグラフを使用する、システム。 - 前記コンピュータシステムは、
前記データサブセットを、前記一つ以上のサブグラフのノードおよびエッジから抽出し、
前記次のデータリクエストに応答するべく、抽出された前記データサブセットを返すことにより、前記一つ以上のサブグラフを使用する、請求項21に記載のシステム。 - 前記コンピュータシステムは更に、
前記データリクエストの前記予測に応答して、前記データサブセットの第1のデータサブセットを一つ以上の非グラフデータベースから取得し、
前記第1のデータサブセットを取得した後に、前記グラフデータモデルに基づいて前記第1のデータサブセットを表す第1のサブグラフを生成し、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく前記第1のサブグラフを使用するように前記第1のサブグラフを含む、請求項21に記載のシステム。 - 前記コンピュータシステムは更に、前記データリクエストの前記予測に応答して、前記データサブセットの第2のデータサブセットを一つ以上のグラフデータベースから取得し、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく第2のサブグラフを使用するように、前記第2のデータサブセットを表す前記第2のサブグラフを含む、請求項23に記載のシステム。 - 前記コンピュータシステムは更に、
前記予測されたデータリクエストの一つ以上の検索パラメータに基づいて、複数のグラフクエリを生成し、
前記グラフデータモデルに基づいて、前記複数のグラフクエリの内の少なくとも一つを、一つ以上の非グラフクエリへと変換し、
前記一つ以上の非グラフクエリを実行して、前記一つ以上の非グラフデータベースから前記第1のデータサブセットを取得し、
前記複数のグラフクエリのうちのを別の一つを実行して、前記一つ以上の非グラフデータベースから前記第2のデータサブセットを取得する、請求項24に記載のシステム。 - 前記コンピュータシステムは更に、前記予測されたデータリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するべくクエリプランを生成し、
前記クエリプランは、前記予測されたデータリクエストに一致する前記次のデータリクエストに基づいて、前記一時データストレージからデータを取得することを含むように生成され、
前記コンピュータシステムは更に、前記クエリプランに基づいて、前記一つ以上のサブグラフを前記一時データストレージから取得する、請求項21に記載のシステム。 - 前記コンピュータシステムは更に、前記予測されたデータリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するクエリプランを生成し、
前記クエリプランは、前記次のデータリクエストに応答して生成され、
前記コンピュータシステムは更に、
前記クエリプランに基づいて、前記一つ以上のサブグラフを前記一時データストレージから取得し、一つ以上のその他のデータサブセットを一つ以上のその他のデータソースから取得し、
前記次のデータリクエストに応答するべく、(i)前記一つ以上のサブグラフによって表される前記データサブセット、および(ii)前記一つ以上のその他のデータを使用する、請求項21に記載のシステム。 - 前記コンピュータシステムは更に、
前記データリクエストの前記予測に応答して、クエリを実行し、
実行される前記クエリは、予測された前記データリクエストがクライアントデバイスから取得されていた場合に、予測された前記データリクエストに応答するために実行されたであろうクエリのセットの一部であり、
前記コンピュータシステムは更に、
前記クエリに基づいて、前記データリクエストが求めると予測される前記データセットの前記データサブセットを取得し、
前記データサブセットおよび前記グラフデータモデルに基づいて、前記一つ以上のサブグラフを生成する、請求項21に記載のシステム。 - 前記データリクエストの前記予測から、前記クエリのセットのうちの一つ以上のその他のクエリの実行が発生しない、請求項28に記載のシステム。
- 前記コンピュータシステムは更に、
機械学習モデルをトレーニングするべく、前記グラフデータモデルに互換性がある過去のクエリを前記機械学習モデルに提供し、
前記機械学習モデルの前記トレーニングの後に、前記機械学習モデルから、前記データリクエストの前記予測を示す情報を取得し、
前記機械学習モデルを更にトレーニングするべく、予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストを示す情報を参照フィードバックとして前記機械学習モデルに提供する、請求項21に記載のシステム。 - 予測に基づくデータサブグラフの生成を介して、データ検索遅延を低減させる方法であって、前記方法は、コンピュータプログラム命令を実行する一つまたは複数のプロセッサを備えるコンピュータシステムによって実装され、前記コンピュータプログラム命令が実行されると、前記方法を実行し、前記方法は、
グラフデータモデルと互換性のある過去のクエリに基づいて、データリクエストが未来に発生することを予測する工程と、
グラフデータモデルに基づいて、前記データリクエストが求めると予測されるデータであるデータセットのデータサブセットを表す一つ以上のサブグラフを、前記データリクエストの前記予測に応答して生成する工程と、
前記一つ以上のサブグラフを一時データストレージに格納する工程と、
予測された前記データリクエストに一致する次のデータリクエストを、前記一つ以上のサブグラフの前記格納の後に取得する工程と、
予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記一つ以上のサブグラフを前記一次データストレージから取得する工程と、
前記次のデータリクエストに応答するべく前記一つ以上のサブグラフを使用する工程と、を備える方法。 - 前記一つ以上のサブグラフを使用する工程は、
前記データサブセットを、前記一つ以上のサブグラフのノードおよびエッジから抽出する工程と、
前記次のデータリクエストに応答するべく、抽出された前記データサブセットを返す工程と、を有する、請求項31に記載の方法。 - 前記データリクエストの前記予測に応答して、前記データサブセットの第1のデータサブセットを一つ以上の非グラフデータベースから取得する工程を更に備え、
前記一つ以上のサブグラフを生成する工程は、前記第1のデータサブセットを取得した後に、前記グラフデータモデルに基づいて前記第1のデータサブセットを表す第1のサブグラフを生成することを含み、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく前記第1のサブグラフを使用するように前記第1のサブグラフを含む、請求項31に記載の方法。 - 前記データリクエストの前記予測に応答して、前記データサブセットの第2のデータサブセットを一つ以上のグラフデータベースから取得する工程を更に備え、
前記一つ以上のサブグラフは、前記次のデータリクエストに応答するべく第2のサブグラフを使用するように、前記第2のデータサブセットを表す前記第2のサブグラフを含む、請求項33に記載の方法。 - 前記予測されたデータリクエストの一つ以上の検索パラメータに基づいて、複数のグラフクエリを生成する工程と、
前記グラフデータモデルに基づいて、前記複数のグラフクエリの内の少なくとも一つを、一つ以上の非グラフクエリへと変換する工程と、
前記一つ以上の非グラフクエリを実行して、前記一つ以上の非グラフデータベースから前記第1のデータサブセットを取得する工程と、
前記複数のグラフクエリのうちのを別の一つを実行して、前記一つ以上の非グラフデータベースから前記第2のデータサブセットを取得する工程と、を更に備える、請求項34に記載の方法。 - 予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するクエリプランを生成する工程を更に備え、
前記クエリプランは、予測された前記データリクエストに一致する前記次のデータリクエストに基づいて前記一時データストレージからデータを取得することを含むように生成され、
前記一つ以上のサブグラフを取得する工程は、前記クエリプランに基づいて前記一つ以上のサブグラフを前記一時データストレージから取得することを含む、請求項31に記載の方法。 - 予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストに応答するクエリプランを生成する工程を更に備え、
前記クエリプランは、前記次のデータリクエストに応答して生成され、
前記一つ以上のサブグラフを取得する工程は、前記クエリプランに基づいて、前記一つ以上のサブグラフを前記一時データストレージから取得し、一つ以上のその他のデータサブセットを一つ以上のその他のデータソースから取得することを含み、
前記一つ以上のサブグラフを使用する工程は、前記次のデータリクエストに応答するべく、(i)前記一つ以上のサブグラフによって表される前記データサブセット、および(ii)前記一つ以上のその他のデータを使用することを含む、請求項31に記載の方法。 - 前記データリクエストの前記予測に応答して、クエリを実行する工程を更に備え、
実行される前記クエリは、予測された前記データリクエストがクライアントデバイスから取得されていた場合に、予測された前記データリクエストに応答するために実行されたであろうクエリのセットの一部であり、
前記方法は、前記クエリに基づいて、前記データリクエストが求めると予測される前記データセットの前記データサブセットを取得する工程を更に備え、
前記一つ以上のサブグラフを生成する工程は、前記データサブセットおよび前記グラフデータモデルに基づいて前記一つ以上のサブグラフを生成することを含む、請求項31に記載の方法。 - 前記データリクエストの前記予測から、前記クエリのセットのうちの一つ以上のその他のクエリの実行が発生しない、請求項38に記載の方法。
ミングされている一つまたは複数のプロセッサを有するコンピュータシステムを備え、
前記コンピュータプログラム命令が実行されると、前記コンピュータシステムは、
グラフデータモデルセットに関連するモデリング情報を取得し、前記グラフデータモデルセットのグラフデータモデルそれぞれに関連する前記モデリング情報は、非グラフデータベースにおける非グラフデータ表現を、グラフデータベースと互換性のあるグラフデータ表現へと変換するためのテンプレートを含み、
前記グラフデータモデルセットの前記グラフデータモデルそれぞれおよび前記グラフデータモデルが変換するよう前記非グラフデータ表現について、前記グラフデータモデルの前記テンプレートのうちの1つまたは複数のテンプレートおよび前記非グラフデータ表現をニューラルネットワークに提供して、前記ニューラルネットワークに前記グラフデータモデルの前記テンプレートの1つ以上の追加テンプレートを予測させ、前記ニューラルネットワークは、前記一つ以上の追加テンプレートに依存することなく、前記一つ以上の追加テンプレートの前記予測を実行するように構成されており、
前記ニューラルネットワークをトレーニングするべく、前記グラフデータモデルセットのグラフデータモデルそれぞれについて、前記グラフデータモデルの前記テンプレートの前記一つ以上の追加テンプレートを前記ニューラルネットワークに提供し、
所与の非グラフデータベースからの非グラフデータ表現のコレクションを前記ニューラルネットワークに提供して、前記所与の非グラフデータベースにおける非グラフデータ表現を所与のグラフデータベースと互換性のあるグラフデータ表現へと変換するための所与のグラフデータモデルのための一つ以上のテンプレートを前記ニューラルネットワークに生成させる、システム。 - 機械学習モデルをトレーニングするべく、前記グラフデータモデルに互換性がある過去のクエリを前記機械学習モデルに提供する工程と、
前記機械学習モデルの前記トレーニングの後に、前記機械学習モデルから、前記データリクエストの前記予測を示す情報を取得する工程と、
前記機械学習モデルを更にトレーニングするべく、予測された前記データリクエストに一致する前記次のデータリクエストに基づいて、前記次のデータリクエストを示す情報を参照フィードバックとして前記機械学習モデルに提供する工程と、を更に備える、請求項31に記載の方法。 - 互換性があるグラフデータ表現へと非グラフデータ表現を変換するためのグラフデータモデルのニューラルネットワークに基づく生成を提供するシステムであって、
コンピュータプログラム命令を使用してプログラミングされている一つまたは複数のプロセッサを有するコンピュータシステムを備え、
前記コンピュータプログラム命令が実行されると、前記コンピュータシステムは、
グラフデータモデルセットに関連するモデリング情報を取得し、前記グラフデータモデルセットのグラフデータモデルそれぞれに関連する前記モデリング情報は、非グラフデータベースにおける非グラフデータ表現を、グラフデータベースと互換性のあるグラフデータ表現へと変換するためのテンプレートを含み、
前記グラフデータモデルセットの前記グラフデータモデルそれぞれおよび前記グラフデータモデルが変換するよう前記非グラフデータ表現について、前記グラフデータモデルの前記テンプレートのうちの1つまたは複数のテンプレートおよび前記非グラフデータ表現をニューラルネットワークに提供して、前記ニューラルネットワークに前記グラフデータモデルの前記テンプレートの1つ以上の追加テンプレートを予測させ、前記ニューラルネットワークは、前記一つ以上の追加テンプレートに依存することなく、前記一つ以上の追加テンプレートの前記予測を実行するように構成されており、
前記ニューラルネットワークをトレーニングするべく、前記グラフデータモデルセットのグラフデータモデルそれぞれについて、前記グラフデータモデルの前記テンプレートの前記一つ以上の追加テンプレートを前記ニューラルネットワークに提供し、
所与の非グラフデータベースからの非グラフデータ表現のコレクションを前記ニューラルネットワークに提供して、前記所与の非グラフデータベースにおける非グラフデータ表現を所与のグラフデータベースと互換性のあるグラフデータ表現へと変換するための所与のグラフデータモデルのための一つ以上のテンプレートを前記ニューラルネットワークに生成させる、システム。 - 前記所与のグラフデータベースと互換性のある前記グラフデータ表現は、グラフノードまたは前記グラフノードを接続するエッジを含む、請求項41に記載のシステム。
- 前記コンピュータシステムは更に、
前記所与のグラフデータベースにおけるグラフのノードおよびエッジに関連し複数のデータ表現セットを示すグラフ情報を取得し、
前記複数のデータ表現セットのデータ表現セットはそれぞれノードおよびノードを接続するエッジを含み、
前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記ニューラルネットワークが前記データ表現セットの1つ以上の追加ノードまたは追加エッジを予測するために、前記データ表現セットの1つ以上のノードまたはエッジを前記ニューラルネットワークに提供し、
前記ニューラルネットワークは、前記1つ以上の追加ノードまたは追加エッジに依存することなく、前記1つ以上の追加ノードまたは追加エッジの予測を実行するように構成されており、
前記ニューラルネットワークをトレーニングするべく、前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記データ表現セットの前記1つ以上の追加ノードまたは追加エッジを、前記ニューラルネットワークによる前記1つ以上の追加ノードまたは追加エッジの予測に対する参照フィードバックとして前記ニューラルネットワークに提供する、請求項41に記載のシステム。 - 前記コンピュータシステムは更に、
前記ニューラルネットワークを介して、前記グラフのノードまたはエッジを処理するべく前記グラフのトラバースを実行して、前記ニューラルネットワークに前記グラフに対する新しいノードまたは新しいエッジを生成させ、
前記ニューラルネットワークからの前記新しいノードまたは前記新しいエッジの少なくとも一つを前記グラフに追加する、請求項43に記載のシステム。 - 前記コンピュータシステムは更に、
前記グラフの前記トラバースに基づいて、前記ニューラルネットワークから所与のノードまたはエッジを取得し、
前記所与のノードまたはエッジの追加に関してユーザが了承することに基づいて、前記ニューラルネットワークからの前記所与のノードまたはエッジを前記グラフに追加し、
前記ユーザが了承したことを示す情報を、前記ニューラルネットワークによる前記所与のノードまたはエッジの生成に関する参照フィードバックとして前記ニューラルネットワークに提供する、請求項44に記載のシステム。 - 前記コンピュータシステムは更に、
前記グラフの前記トラバースに基づいて、前記ニューラルネットワークから所与のノードまたはエッジを取得し、
前記所与のノードまたはエッジを追加することに関するユーザの拒否を取得し、前記所与のノードまたはエッジは、前記ユーザの拒否に基づいて前記グラフに追加されず、
前記ユーザが了承したことを示す情報を、前記ニューラルネットワークによる前記所与のノードまたはエッジの生成に関する参照フィードバックとして前記ニューラルネットワークに提供する、請求項44に記載のシステム。 - 前記グラフデータモデルセットのグラフデータモデルはそれぞれ、データベースの行をグラフデータ表現に変換するように構成される、請求項41に記載のシステム。
- 非グラフデータ表現をグラフデータ表現へと変換するためのグラフデータモデルの機械学習モデルに基づく生成を提供する方法であって、前記方法は、コンピュータプログラム命令を実行する一つまたは複数のプロセッサを備えるコンピュータシステムによって実装され、前記コンピュータプログラム命令が実行されると、前記方法を実行し、
前記方法は、
第1のグラフデータモデルに関連する第1のモデリング情報であって、第1のグラフデータベースと互換性のない第1のデータ表現を前記第1のグラフデータベースと互換性のあるグラフデータ表現へと変換するための第1のテンプレートを含む前記第1のモデリング情報を取得する工程と、
前記第1のテンプレートの一つ以上のテンプレートおよび前記第1のデータ表現を前記機械学習モデルに提供する工程と、を備え、
前記機械学習モデルは、前記第1のテンプレートの一つ以上の追加テンプレートを前記第1のテンプレートの前記一つ以上の追加テンプレートに依存することなく予測するように構成されており、
前記方法は更に、
前記機械学習モデルをトレーニングするべく、前記機械学習モデルによる前記一つ以上の追加テンプレートの予測に対する参照フィードバックとして、前記第1のテンプレートの前記一つ以上の追加テンプレートを前記機械学習モデルに提供する工程と、
所与のグラフデータモデルが所与のデータベースのデータ表現を所与のグラフデータベースのグラフデータ表現へと変換するための一つ以上のテンプレートを生成するべく、前記所与のデータベースからのデータ表現のコレクションを前記機械学習モデルに提供する工程と、を備える方法。 - 前記所与のグラフデータベースの前記グラフデータ表現は、グラフノードまたは前記グラフノードを接続するエッジを含む、請求項48に記載の方法。
- 第2のグラフデータモデルに関連する第2のモデリング情報であって、第2のグラフデータベースと互換性のない第2のデータ表現を前記第2のグラフデータベースと互換性のあるグラフデータ表現へと変換するための第2のテンプレートを含む前記第2のモデリング情報を取得する工程と、
前記第2のテンプレートの一つ以上のテンプレートおよび前記第2のデータ表現を前記機械学習モデルに提供する工程と、更に備え、
前記機械学習モデルは、前記第2のテンプレートの一つ以上の追加テンプレートを前記第2のテンプレートの前記一つ以上の追加テンプレートに依存することなく予測するように構成されており、
前記方法は更に、前記機械学習モデルをトレーニングするべく、前記機械学習モデルによる前記第2のテンプレートの前記一つ以上の追加テンプレートの予測に対する参照フィードバックとして、前記第2のテンプレートの前記一つ以上の追加テンプレートを前記機械学習モデルに提供する工程を備える、請求項48に記載の方法。 - 前記第1のデータ表現および前記第2のデータ表現は、同じデータベースと互換性がある、請求項50に記載の方法。
- 前記第1のデータ表現は第1の非グラフデータベースと互換性があり、前記第2のデータ表現は第2の非グラフデータベースと互換性があるが前記第1の非グラフデータベースとは互換性がない、請求項50に記載の方法。
- 前記第1のデータ表現または前記第2のデータ表現は、少なくとも一つのグラフデータベースと互換性がある、請求項50に記載の方法。
- 前記所与のグラフデータベース内のグラフのノードおよびエッジに関連し複数のデータ表現セットを示すグラフ情報であって、前記複数のデータ表現セットのデータ表現セットはそれぞれノードおよびノードを接続するエッジを含む、前記グラフ情報を取得する工程と、
前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルが前記データ表現セットの1つ以上の追加ノードまたは追加エッジを予測するために、前記データ表現セットの1つ以上のノードまたはエッジを前記機械学習モデルに提供する工程と、を更に備え、
前記機械学習モデルは、前記1つ以上の追加ノードまたは追加エッジに依存することなく、前記1つ以上の追加ノードまたは追加エッジの予測を実行するように構成されており、
前記方法は更に、前記機械学習モデルをトレーニングするべく、前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルによる前記1つ以上の追加ノードまたは追加エッジの予測に対する参照フィードバックとして、前記データ表現セットの前記1つ以上の追加ノードまたは追加エッジを前記機械学習モデルに提供する工程を備える、請求項48に記載の方法。
- 前記機械学習モデルを介して、前記グラフのノードまたはエッジを処理するべく前記グラフのトラバースを実行して、前記機械学習モデルに前記グラフの新しいノードまたは新しいエッジを生成させる工程と、
前記機械学習モデルからの前記新しいノードまたは前記新しいエッジを前記グラフに追加する工程と、を更に備える、請求項54に記載の方法。 - 前記グラフの前記トラバースに基づいて、前記機械学習モデルから所与のノードまたはエッジを取得する工程と、
前記所与のノードまたはエッジの追加に関してユーザが了承することに基づいて、前記機械学習モデルからの前記所与のノードまたはエッジを前記グラフに追加する工程と、
前記機械学習モデルによる前記所定のノードまたはエッジの生成に関する参照フィードバックとして、前記ユーザの了承を示す情報を前記機械学習モデルに提供する工程と、を更に備える請求項55記載の方法。 - 前記グラフの前記トラバースに基づいて、前記機械学習モデルから所与のノードまたはエッジを取得する工程と、
前記所与のノードまたはエッジを追加することに関するユーザの拒否を取得する工程と、を更に備え、
前記所与のノードまたはエッジは、前記ユーザの拒否に基づいて前記グラフに追加されず、
前記方法は更に、前記機械学習モデルによる前記所定のノードまたはエッジの生成に関する参照フィードバックとして、前記ユーザの拒否を示す情報を前記機械学習モデルに提供する工程、を更に備える、請求項55に記載の方法。 - 互換性があるグラフデータ表現へと非グラフデータ表現を変換するためのグラフデータモデルの機械学習モデルに基づく生成を提供するシステムであって、
コンピュータプログラム命令を使用してプログラミングされている一つまたは複数のプロセッサを有するコンピュータシステムを備え、前記コンピュータプログラム命令が実行されると、前記コンピュータシステムは、
第1のグラフデータモデルに関連する第1のモデリング情報であって、第1のグラフデータベースと互換性のない第1のデータ表現を前記第1のグラフデータベースと互換性のあるグラフデータ表現へと変換するための第1のテンプレートを含む前記第1のモデリング情報を取得し、
前記第1のテンプレートの一つ以上のテンプレートおよび前記第1のデータ表現を前記機械学習モデルに提供し、
前記機械学習モデルは、前記第1のテンプレートの一つ以上の追加テンプレートを前記第1のテンプレートの前記一つ以上の追加テンプレートに依存することなく予測するように構成されており、
前記機械学習モデルをトレーニングするべく、前記機械学習モデルによる前記一つ以上の追加テンプレートの予測に対する参照フィードバックとして、前記第1のテンプレートの前記一つ以上の追加テンプレートを前記機械学習モデルに提供し、
所与のグラフデータモデルが所与のデータベースのデータ表現を所与のグラフデータベースのグラフデータ表現へと変換するための一つ以上のテンプレートを生成するべく、前記所与のデータベースからのデータ表現のコレクションを前記機械学習モデルに提供する、システム。 - 前記コンピュータシステムは更に、
前記所与のグラフデータベースにおけるグラフのノードおよびエッジに関連し複数のデータ表現セットを示すグラフ情報を取得し、
前記複数のデータ表現セットのデータ表現セットはそれぞれノードおよびノードを接続するエッジを含み、
前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルが前記データ表現セットの1つ以上の追加ノードまたは追加エッジを予測するために、前記データ表現セットの1つ以上のノードまたはエッジを前記機械学習モデルに提供し、
前記機械学習モデルは、前記1つ以上の追加ノードまたは追加エッジに依存することなく、前記1つ以上の追加ノードまたは追加エッジの予測を実行するように構成されており、
前記機械学習モデルをトレーニングするべく、前記複数のデータ表現セットのデータ表現セットそれぞれについて、前記機械学習モデルによる前記1つ以上の追加ノードまたは追加エッジの予測に対する参照フィードバックとして、前記データ表現セットの前記1つ以上の追加ノードまたは追加エッジを前記機械学習モデルに提供する、請求項58に記載のシステム。 - 前記コンピュータシステムは更に、
前記機械学習モデルを介して、前記グラフのノードまたはエッジを処理するべく前記グラフのトラバースを実行して、前記機械学習モデルに前記グラフの新しいノードまたは新しいエッジを生成させ、
前記機械学習モデルからの前記新しいノードまたは前記新しいエッジを前記グラフに追加する、請求項59に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2024002844A JP2024041902A (ja) | 2018-06-13 | 2024-01-11 | マルチソース型の相互運用性および/または情報検索の最適化 |
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/007,850 US10223417B1 (en) | 2018-06-13 | 2018-06-13 | System and method for reducing query-related resource usage in a data retrieval process |
US16/007,639 US10303688B1 (en) | 2018-06-13 | 2018-06-13 | System and method for reducing data retrieval delays via prediction-based generation of data subgraphs |
US16/007,639 | 2018-06-13 | ||
US16/007,850 | 2018-06-13 | ||
US16/007,911 US10599719B2 (en) | 2018-06-13 | 2018-06-13 | System and method for providing prediction-model-based generation of a graph data model |
US16/007,911 | 2018-06-13 | ||
PCT/US2019/036612 WO2019241293A1 (en) | 2018-06-13 | 2019-06-11 | Multi-source-type interoperability and/or information retrieval optimization |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024002844A Division JP2024041902A (ja) | 2018-06-13 | 2024-01-11 | マルチソース型の相互運用性および/または情報検索の最適化 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021531540A true JP2021531540A (ja) | 2021-11-18 |
JP7420745B2 JP7420745B2 (ja) | 2024-01-23 |
Family
ID=68843577
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020565902A Active JP7420745B2 (ja) | 2018-06-13 | 2019-06-11 | マルチソース型の相互運用性および/または情報検索の最適化 |
JP2024002844A Pending JP2024041902A (ja) | 2018-06-13 | 2024-01-11 | マルチソース型の相互運用性および/または情報検索の最適化 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024002844A Pending JP2024041902A (ja) | 2018-06-13 | 2024-01-11 | マルチソース型の相互運用性および/または情報検索の最適化 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP3807778A4 (ja) |
JP (2) | JP7420745B2 (ja) |
KR (1) | KR20210034547A (ja) |
AU (1) | AU2019284618B2 (ja) |
CA (1) | CA3102984A1 (ja) |
WO (1) | WO2019241293A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11302095B2 (en) * | 2020-01-09 | 2022-04-12 | International Business Machines Corporation | Cognitive motion picture analysis |
WO2023249641A1 (en) * | 2022-06-24 | 2023-12-28 | Hewlett Packard Enterprise Development Lp | Retrieval, model-driven, and artificial intelligence-enabled search |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005251092A (ja) * | 2004-03-08 | 2005-09-15 | Konica Minolta Holdings Inc | 情報検索システム、情報検索方法および情報検索プログラム |
US7945561B1 (en) * | 2006-06-21 | 2011-05-17 | Actuate Corporation | Methods and apparatus for processing a query joining tables stored at different data sources |
WO2013175611A1 (ja) * | 2012-05-24 | 2013-11-28 | 株式会社日立製作所 | データの分散検索システム、データの分散検索方法及び管理計算機 |
US20160275204A1 (en) * | 2010-10-22 | 2016-09-22 | Daniel Paul Miranker | System for Accessing a Relational Database Using Semantic Queries |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5659725A (en) * | 1994-06-06 | 1997-08-19 | Lucent Technologies Inc. | Query optimization by predicate move-around |
KR100912190B1 (ko) * | 2007-10-31 | 2009-08-14 | 한양대학교 산학협력단 | 최적화 변환 규칙을 적용하여 rdql 질의를 sql질의로 변환하는 rdql-to-sql 시스템 및 방법 |
US10223417B1 (en) * | 2018-06-13 | 2019-03-05 | Stardog Union | System and method for reducing query-related resource usage in a data retrieval process |
-
2019
- 2019-06-11 CA CA3102984A patent/CA3102984A1/en active Pending
- 2019-06-11 EP EP19818610.8A patent/EP3807778A4/en active Pending
- 2019-06-11 KR KR1020207035793A patent/KR20210034547A/ko unknown
- 2019-06-11 AU AU2019284618A patent/AU2019284618B2/en active Active
- 2019-06-11 WO PCT/US2019/036612 patent/WO2019241293A1/en unknown
- 2019-06-11 JP JP2020565902A patent/JP7420745B2/ja active Active
-
2024
- 2024-01-11 JP JP2024002844A patent/JP2024041902A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005251092A (ja) * | 2004-03-08 | 2005-09-15 | Konica Minolta Holdings Inc | 情報検索システム、情報検索方法および情報検索プログラム |
US7945561B1 (en) * | 2006-06-21 | 2011-05-17 | Actuate Corporation | Methods and apparatus for processing a query joining tables stored at different data sources |
US20160275204A1 (en) * | 2010-10-22 | 2016-09-22 | Daniel Paul Miranker | System for Accessing a Relational Database Using Semantic Queries |
WO2013175611A1 (ja) * | 2012-05-24 | 2013-11-28 | 株式会社日立製作所 | データの分散検索システム、データの分散検索方法及び管理計算機 |
Also Published As
Publication number | Publication date |
---|---|
JP2024041902A (ja) | 2024-03-27 |
KR20210034547A (ko) | 2021-03-30 |
JP7420745B2 (ja) | 2024-01-23 |
CA3102984A1 (en) | 2019-12-19 |
AU2019284618B2 (en) | 2024-05-16 |
EP3807778A1 (en) | 2021-04-21 |
WO2019241293A1 (en) | 2019-12-19 |
AU2019284618A1 (en) | 2020-12-03 |
EP3807778A4 (en) | 2022-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10599719B2 (en) | System and method for providing prediction-model-based generation of a graph data model | |
US11727000B2 (en) | System and method for reducing resource usage in a data retrieval process | |
US10223417B1 (en) | System and method for reducing query-related resource usage in a data retrieval process | |
US11921751B2 (en) | Technologies for data capture and data analysis | |
CN111753198B (zh) | 信息推荐方法和装置、以及电子设备和可读存储介质 | |
Shvaiko et al. | Ontology matching: state of the art and future challenges | |
CN107391677B (zh) | 携带实体关系属性的中文通用知识图谱的生成方法及装置 | |
US10747958B2 (en) | Dependency graph based natural language processing | |
WO2020073952A1 (zh) | 用于图像识别的图像集的建立方法、装置、网络设备和存储介质 | |
US10599777B2 (en) | Natural language processing with dynamic pipelines | |
US9262506B2 (en) | Generating mappings between a plurality of taxonomies | |
JP2024041902A (ja) | マルチソース型の相互運用性および/または情報検索の最適化 | |
Bellare et al. | Woo: A scalable and multi-tenant platform for continuous knowledge base synthesis | |
US20160004973A1 (en) | Business triz problem extractor and solver system and method | |
CN114996549A (zh) | 基于活动对象信息挖掘的智能追踪方法与系统 | |
Calçada et al. | Evaluation of Couchbase, CouchDB and MongoDB using OSSpal. | |
US20180150543A1 (en) | Unified multiversioned processing of derived data | |
Abdallah et al. | Towards a GML-Enabled Knowledge Graph Platform | |
Mateen et al. | An Improved Technique for Data Retrieval in Distributed Systems | |
US20230026656A1 (en) | Machine learning for categorizing text | |
Dabroek | Scalable and Reuse-Oriented Data Integration: A Distributed Semi-Automatic Approach | |
Thavornun | Metadata Management for Knowledge Discovery | |
CN117474630A (zh) | 一种基于电商应用的人工智能平台 | |
Busschop | A framework for automated document storage and annotation | |
Maccioni et al. | NoXperanto: Crowdsourced polyglot persistence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220606 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230516 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230814 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231013 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231025 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240111 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7420745 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |