WebPIE：使用 MapReduce 的 Web 级并行推理引擎-研究论文

大量语义 Web 数据及其快速增长对执行高效和可扩展推理提出了重大的计算挑战。 在大规模上，单机的资源已经不够用了，我们需要分散进程来提高性能。 在本文中，我们提出了一种分布式技术，使用 MapReduce 编程模型在 RDFS 和 OWL ter Horst 语义下执行物化。 我们将证明一个简单的实现效率不高且无法扩展。 我们的技术通过一组算法解决了分布式推理的挑战，这些算法结合起来显着提高了性能。 我们已经实现了 WebPIE（Web 规模推理引擎），并在多达 64 个节点的集群上展示了它的性能。 我们使用非常大的真实世界数据集（Bio2RDF、LLD、FactForge 和 Billion Triple Challenge 数据集）和 LUBM 合成基准评估了我们的系统，可扩展到 1000 亿个三元组。 结果表明，我们的实现线性扩展，并且在最大数据大小和推理速度方面大大优于当前系统。