توضیحات
Ranking queries are widely used in data exploration, data analysis and decision making scenarios. While most of the currently proposed ranking techniques focus on deterministic data, several emerging applications involve data that are imprecise or uncertain. Ranking uncertain data raises new challenges in query semantics and processing, making conventional methods inapplicable. Furthermore, the interplay between ranking and uncertainty models introduces new dimensions for ordering query results that do not exist in the traditional settings. This lecture describes new formulations and processing techniques for ranking queries on uncertain data. The formulations are based on marriage of traditional ranking semantics with possible worlds semantics under widely-adopted uncertainty models. In particular, we focus on discussing the impact of tuple-level and attribute-level uncertainty on the semantics and processing techniques of ranking queries. Under the tuple-level uncertainty model, we describe new processing techniques leveraging the capabilities of relational database systems to recognize and handle data uncertainty in score-based ranking. Under the attribute-level uncertainty model, we describe new probabilistic ranking models and a set of query evaluation algorithms, including sampling-based techniques. We also discuss supporting rank join queries on uncertain data, and we show how to extend current rank join methods to handle uncertainty in scoring attributes. Table of Contents: Introduction / Uncertainty Models / Query Semantics / Methodologies / Uncertain Rank Join / Conclusion
————————————————————–
ترجمه ماشینی :
پرس و جوهای رتبه بندی به طور گسترده در کاوش داده ها، تجزیه و تحلیل داده ها و سناریوهای تصمیم گیری استفاده می شوند. در حالی که اکثر تکنیکهای رتبهبندی پیشنهادی در حال حاضر بر روی دادههای قطعی تمرکز میکنند، چندین برنامه کاربردی نوظهور شامل دادههایی هستند که نادقیق یا نامطمئن هستند. رتبه بندی داده های نامطمئن چالش های جدیدی را در معنای پرس و جو و پردازش ایجاد می کند و روش های مرسوم را غیرقابل اجرا می کند. علاوه بر این، تعامل بین مدلهای رتبهبندی و عدم قطعیت، ابعاد جدیدی را برای سفارشدهی نتایج پرسوجو معرفی میکند که در تنظیمات سنتی وجود ندارند. این سخنرانی فرمولبندیها و تکنیکهای پردازش جدیدی را برای رتبهبندی پرسشها بر روی دادههای نامشخص توصیف میکند. فرمولبندیها بر اساس تلفیق معنایشناسی رتبهبندی سنتی با معناشناسی جهانهای ممکن تحت مدلهای عدم قطعیت بهطور گسترده اتخاذ شدهاند. به طور خاص، ما بر روی بحث درباره تاثیر عدم قطعیت در سطح چندگانه و سطح صفت بر روی معنای شناسی و تکنیک های پردازش پرس و جوهای رتبه بندی تمرکز می کنیم. تحت مدل عدم قطعیت سطح چندگانه، ما تکنیکهای پردازشی جدیدی را توصیف میکنیم که از قابلیتهای سیستمهای پایگاه داده رابطهای برای شناسایی و مدیریت عدم قطعیت داده در رتبهبندی مبتنی بر امتیاز استفاده میکنند. تحت مدل عدم قطعیت سطح ویژگی، مدلهای رتبهبندی احتمالی جدید و مجموعهای از الگوریتمهای ارزیابی پرس و جو، از جمله تکنیکهای مبتنی بر نمونهگیری را توصیف میکنیم. ما همچنین درباره پشتیبانی از جستارهای پیوستن رتبه در دادههای نامشخص بحث میکنیم و نشان میدهیم که چگونه روشهای پیوستن رتبه فعلی را برای کنترل عدم قطعیت در ویژگیهای امتیازدهی گسترش دهیم. فهرست مطالب: مقدمه / مدل های عدم قطعیت / معنای پرس و جو / روش شناسی / پیوستن به رتبه نامشخص / نتیجه گیری
tag : دانلود کتاب تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای , Download تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای , دانلود تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای , Download Probabilistic Ranking Techniques in Relational Databases Book , تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای دانلود , buy تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای , خرید کتاب تکنیکهای رتبهبندی احتمالی در پایگاههای داده رابطهای , دانلود کتاب Probabilistic Ranking Techniques in Relational Databases , کتاب Probabilistic Ranking Techniques in Relational Databases , دانلود Probabilistic Ranking Techniques in Relational Databases , خرید Probabilistic Ranking Techniques in Relational Databases , خرید کتاب Probabilistic Ranking Techniques in Relational Databases ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.