Enhancing Datalog Reasoning with Hypertree Decompositions

要約

セミナティブな評価戦略に基づくデータログ推論では、従来の結合プランを使用してルールを評価します。これは、特にルールが複雑な場合、実際には冗長性と非効率性を招くことがよくあります。
ハイパーツリー分解は、効率的なクエリ プランを特定し、クエリ応答における同様の冗長性を軽減するのに役立ちます。
ただし、これを再帰的 Datalog プログラムの実体化と増分推論にどのように適用できるかは不明です。
さらに、ハイパーツリー分解には追加のデータ構造が必要となるため、実行時とメモリ消費の両方に無視できないオーバーヘッドが生じます。
この論文では、Datalog プログラムの具体化と増分評価のためにハイパーツリー分解を利用するアルゴリズムを提供します。
さらに、このアプローチを標準的な Datalog 推論アルゴリズムとモジュール形式で組み合わせて、分解によって生じるオーバーヘッドを削減します。
私たちの経験的評価によると、プログラムに複雑なルールが含まれている場合、組み合わせたアプローチは通常、ベースラインのアプローチよりも大幅に、場合によっては桁違いに高速です。

要約(オリジナル)

Datalog reasoning based on the semina\’ive evaluation strategy evaluates rules using traditional join plans, which often leads to redundancy and inefficiency in practice, especially when the rules are complex. Hypertree decompositions help identify efficient query plans and reduce similar redundancy in query answering. However, it is unclear how this can be applied to materialisation and incremental reasoning with recursive Datalog programs. Moreover, hypertree decompositions require additional data structures and thus introduce nonnegligible overhead in both runtime and memory consumption. In this paper, we provide algorithms that exploit hypertree decompositions for the materialisation and incremental evaluation of Datalog programs. Furthermore, we combine this approach with standard Datalog reasoning algorithms in a modular fashion so that the overhead caused by the decompositions is reduced. Our empirical evaluation shows that, when the program contains complex rules, the combined approach is usually significantly faster than the baseline approach, sometimes by orders of magnitude.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google