大规模RDF图数据地并行推理关键技术研究.pdf

4．1MPPIE并行推理框架…………………………………………………………22 4．2MPPIE算法分布式实现………………………………………………………23 4．2．1 Pregel计算模型形式化…………………………………………………．．23 4．2．2传递闭包规则的推理算法设计…………………………………………．24 4．2．3属性继承规则的推理算法设计…………………………………………．27 4．2．4类型规则的推理算法设计………………………………………………．27 4．2．5类继承规则的推理算法设计……………………………………………．29 4．3算法复杂度分析………………………………………………………………30 第5章实验验证与结果分析………………………………………………………………．．32 5．1实验环境与实验数据…………………………………………………………32 5．2 MPPIE并行推理执行性能评价………………………………………………33 5-3MPPIE并行推理可扩展性评价………………………………………………34 5．3．1数据规模对推理性能的影响……………………………………………35 5．3。2集群规模对推理性能的影响……………………………………………36 第6章总结与展望………………………………………………………………………………38 6．1总结……………………………………………………………………………………………………．38 6．2展望……………………………………………………………………………………………………．39 参考文献……………………………………………………………………………………………40 发表论文和参加科研情况说明…………………………………………………………………。43 jlIc谢…………………………………………………………………………………………………………．．44 IV 万方数据 第1章绪论 第1章绪论 1．1研究背景 万维网的出现打开了人们认识世界的新大门。随着万维网交互数据量的不断 激增，如何能够智能地识别用户所需信息与知识，成为科学研究以及工业应用领 域的焦点。在这种背景下，为了能够建立智能网络，2001年TimBerners．Lee提 出语义Web[1J的概念。语义Web把含有语义信息的数据作为中心，通过在现有 互联网网络页面的基础上添加语义标签、使用特殊语义工具处理以及设定特定格 式描述等，使得机器能够根据所获得的这些标注和处理信息理解语义Web文档 的内容，达到智能识别知识的效果。语义Web上的语义数据描述数据资源本身 以及资源之间的关系，机器能够根据所理解的语义信息完成一系列自动化操作， 以完成智能化人机交互与机器间的交互。有效提高了人工智能的水平，提供人机 交互的便捷性，从而为用户提供智能化的服务。 Description 结构化的数据模型，能够将语义Web中的信息表达成机器理解的语义信息。为 Resource 了保证资源的唯一性与可识别性，采用通用资源标识符(Unifotin 成。其中主语和谓语都使用通用的资源标识符或者匿名节点(BlankNode)来表 示，宾语既可以是通用的资源标识符或者匿名节点，也可以是字面量(Literal)。 有限条三元组连接组成在一起，最终构成了庞大的有向带标签的图数据。其中， 主语和宾语是图上的顶点，谓语作为边上的标签。 近年来，语义Web得到了快速的发展，以RDF格式进行发布的语义数据规 模呈现爆炸性增长。截至2014年4月，LOD(LinkedData，LOD)【3】已经