Query reverse-engineering in de context van het semantisch web. (R-10405)

We bevinden ons in het Big Data tijdperk, waarin de exponentiële groei van data enorme uitdagingen stelt aan het bekomen van zinvolle informatie uit de overvloed aan beschikbare data. Bovendien is de huidige databasetechnologie vaak weinig gebruiksvriendelijk, waardoor een kloof ontstaat tussen data en gebruiker. Daarom worden nieuwe oplossingen onderzocht om die kloof te dichten. Query Reverse Engineering (QRE) is daar een van. Het learning probleem voor QRE bestaat erin om, gegeven input-output-paren, een syntactische query af te leiden die daarmee compatibel is. Dit probleem werd reeds uitvoerig onderzocht voor SQL queries op relationele databases. Spijtig genoeg maken de voorgestelde oplossingen geen gebruik van nieuwe semantische eigenschappen die voortvloeien uit ontologieën die de data beschrijven. Bovendien is onze kennis voor graafgebaseerde databases in het RDF-model erg beperkt. Dit is spijtig omdat deze modellen gebruikt worden voor het Semantisch Web, waar de meeste moderne data zich bevinden. Wij willen nieuwe algoritmen ontwikkelen om SPARQL-queries af te leiden voor RDF-databases, en daarbij ook onze fundamentele kennis over QRElearning vergroten. Daartoe zullen bestaande methodes voor relationele databases worden getoetst op hun toepasbaarheid voor graaf-databases. We zullen QRE ook bestuderen in een incrementele context (verbeteren van eerder afgeleide queries m.b.v. nieuwe informatie) en een gedistribueerde omgeving (de typische context voor Big Data).

Trefwoorden:DATA MINING, DATABASE THEORIE, SCIENTIFIC DATA MANAGEMENT

Disciplines:Datamodellen

Project type:Samenwerkingsproject