Enhancing Datalog Reasoning with Hypertree Decompositions

要約

semina’ive評価戦略に基づくDatalog推論は、従来の結合計画を用いてルールを評価するが、これは、特にルールが複雑な場合、実際にはしばしば冗長性と非効率性につながる。ハイパーツリー分解は、効率的なクエリプランを特定し、クエリ回答における同様の冗長性を減らすのに役立つ。しかし、再帰的なDatalogプログラムによる物質化やインクリメンタルな推論にどのように適用できるかは不明である。さらに、ハイパーツリー分解は追加のデータ構造を必要とするため、ランタイムとメモリ消費の両方で無視できないオーバーヘッドが発生する。本論文では、Datalogプログラムの実体化とインクリメンタルな評価のために、ハイパーツリー分解を利用するアルゴリズムを提供する。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方式で組み合わせることで、分解によるオーバーヘッドを低減する。我々の実証的な評価では、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、ベースラインアプローチよりも大幅に速く、時には桁違いの速さになることが分かっています。

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, DeepL