CPU-GPU异构环境下的大规模商品知识查询处理.docx

【正文】 在大数据时代，知识图谱作为一种重要的知识表示方式，被广泛应用于各种智能应用，如金融风险识别和产品推荐。知识图谱采用图模型来描述实体和它们之间的关系，通常使用RDF（Resource Description Framework）框架，以三元组（主语，谓语，宾语）形式存储数据。RDF的查询语言SPARQL则允许用户进行结构化查询，检索大规模RDF数据。 针对大规模RDF数据的查询处理方法分为基于关系模型和基于图模型两类。关系模型如Jena和RDF-3X，利用传统数据库技术处理；图模型如gStore和AMBER，直接利用图结构进行查询。然而，商品知识因其异质性、冗杂性和海量性，往往需要层次化的知识图谱来组织，现有RDF查询方法在处理这类结构时效率不高。 本文聚焦于层次化知识图谱，特别是商品知识图谱，其具有五层结构（用户层、用户观点层、商品属性层、商品实例层、商品分类层）。每层实体具有相似属性，层间实体通过同一类型关系相连。现有的查询系统对商品知识的检索性能提升有限，基于关系模型的系统存储要求高，而基于图模型的查询引擎在查询性能上表现不佳。 随着GPU在通用计算领域的扩展，利用CPU-GPU协同计算可以有效提升数据检索性能。为此，本文提出了一个基于CPU-GPU协同计算的商品知识查询处理方法，利用稀疏矩阵存储策略和层次化结构进行优化，并将SPARQL查询转换为矩阵操作，以便在GPU上加速连接查询算法。 文章的主要贡献如下： 1. 设计了一种针对层次化知识图谱（如商品知识图谱）的稀疏矩阵存储策略，优化存储效率。 2. 基于稀疏矩阵的存储结构，提出了查询转换方法，将SPARQL查询转化为矩阵运算，利用GPU加速连接查询。 3. 通过实验证明，提出的查询处理方法在大规模商品知识查询中具有显著优势，同时适用于一般知识查询处理。 文章结构如下：第1章介绍相关工作；第2章阐述查询系统整体框架；第3章详细讲解稀疏矩阵的知识表示；第4章深入讨论基于稀疏矩阵的查询转换及其优化；第5章分析实验结果；第6章总结并展望未来工作。 这项研究对于提升商品知识检索性能，以及在CPU-GPU异构环境中处理大规模知识查询具有重要意义，为其他类似复杂知识图谱的查询优化提供了参考。