Not logged in.

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Predicting SPARQL Query Performance with TensorFlow
Organization Unit
Authors
  • David Ackermann
Supervisors
  • Shen Gao
  • Abraham Bernstein
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date May 2017
Abstract Text As the Semantic Web receives increasing attention, there is a challenge in managing large RDF datasets efficiently. In this thesis, we address the problem of predicting SPARQL query performance using machine learning. We build a feature vector describing the query structurally and train different machine learning models with it. We explore ways to optimize our model's performance and analyze TensorFlow deployed on the IFI cluster. While we adopt known feature modeling, we can reduce the vector size and save computation time. Our approach can significantly outperform existing approaches in a more efficient way.
Zusammenfassung Während das Semantic Web zunehmend an Aufmerksamkeit gewinnt, gibt es eine Herausforderung bei der effizienten Verwaltung großer RDF-Datensätze. In dieser Arbeit behandeln wir das Problem der Vorhersage von SPARQL Anfragen mit maschinellem Lernen. Wir bauen einen Vektor, der die Abfrage strukturell beschreibt und trainieren damit verschiedene maschinelle Lernmodelle. Wir erforschen Wege, um die Leistung unserer Modelle zu optimieren und analysieren TensorFlow auf dem IFI-Cluster. Während wir bekannte Feature-Modellierungen übernehmen, können wir die Vektorgrösse reduzieren und damit Rechenzeit einsparen. Unser Ansatz kann die bestehenden Ansätze in einer effizienteren Weise deutlich übertreffen.
PDF File Download
Export BibTeX