Estimativa de Cardinalidade sobre Grafos de Conhecimento com Embeddings e Redes Neurais de Grafos

A Estimativa de Cardinalidade sobre Grafos de Conhecimento (KG) é crucial para a otimização de consultas, mas continua a ser uma tarefa desafiadora devido à natureza semiestruturada e às complexas correlações dos dados em KGs típicos. Neste trabalho, propomos o GNCE, uma abordagem inovadora que aproveita embeddings de grafos de conhecimento e Redes Neurais de Grafos (GNN) para prever com precisão a cardinalidade de consultas conjuntivas sobre KGs. O GNCE primeiro cria embeddings semanticamente significativos para todas as entidades no KG, que são então usados para aprender uma representação de uma consulta usando uma GNN para estimar a cardinalidade da consulta. Avaliamos o GNCE em vários KGs em termos de q-Error e demonstramos que ele supera abordagens de ponta baseadas em amostragem, resumos e aprendizado (máquina) em termos de precisão de estimativa, enquanto também possui um tempo de execução baixo e poucos parâmetros. Além disso, mostramos que o GNCE tem um desempenho semelhante em consultas do mundo real e pode generalizar indutivamente para entidades não vistas, tornando-o adequado para uso em cenários dinâmicos de processamento de consultas. Nossa abordagem proposta tem o potencial de melhorar significativamente a otimização de consultas e aplicações relacionadas que dependem de estimativas precisas de cardinalidade de consultas conjuntivas.