Considering the following graph query operations categories extracted from [1]
graph pattern matching
basic graph pattern (BGP)
complex graph patterns (CGP)
graph navigation
path query (RPQ)
navigational graph patterns (NGP)
[1] Renzo Angles, Marcelo Arenas, Pablo Barceló, Aidan Hogan, Juan Reutter, and Domagoj Vrgoč. 2017. Foundations of Modern Query Languages for Graph Databases. ACM Comput. Surv. 50, 5, Article 68 (September 2018), 40 pages. DOI:https://doi.org/10.1145/3104031
Which graph query languagens support specific graph query operations bellow ?
BGP that retrieves edge properties (keys and values)
CGP with filter on edge property keys and/or values
CGP with join based on edge property values
NGP with paths specifying edge property values
SPARQL on Named Graphs(reification)?
SPARQL* (SPARQL-Star)?
Cypher? GSQL? Gremilin? PGQL? G-Core?
Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento. Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018]. A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...
Comentários
Postar um comentário
Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.