有序秩声明关系查询语言的灵敏度分析

用于数据转换与计算的关系表达式

Relational Expressions for Data Transformation and Computation

针对数据转换与计算编程模型分离的问题，研究提出将完全关系引入关系数据库，结合约束编程成果，以统一的关系模型实现二者的统一范式、代码复用与高效执行。

对声明式近似选择谓词进行基准测试

Benchmarking Declarative Approximate Selection Predicates

声明性数据质量一直是一个活跃的研究课题。声明性数据质量方法背后的基本原则是使用声明性语句在任何关系数据源之上实现数据质量原语。这种方法的主要优点是易于使用和与现有应用程序集成。在过去，已经提出了几个相似性谓词，用于常见的质量原语（近似选择，连接等）。并且已经使用声明性SQL语句完全表达。本文基于概率信息检索的概念，提出了新的相似性谓词及其声明式实现。然后，充分声明规范以前提出的相似性谓词在文献中，根据其主要特征分组为类。最后，一个彻底的性能和准确性的研究比较了大量的相似性谓词的数据清洗操作。

Hojabr：面向人工智能和数据分析的万物理论

Hojabr: Towards a Theory of Everything for AI and Data Analytics

Hojabr提出了一种统一的声明式中间语言，整合了关系代数、张量代数和约束推理，以实现跨数据库系统、机器学习框架和编译器基础设施的系统推理和优化技术重用。

计算机游戏中从声明性语言到声明性处理

From Declarative Languages to Declarative Processing in Computer Games

最近的工作表明，我们可以通过声明式处理来显着提高计算机游戏和模拟的性能：角色AI可以用命令式脚本语言编写，然后编译为关系代数，并由具有类似于主存数据库系统功能的特殊游戏引擎执行。在本文中，我们提出了一个具有挑战性的研究议程建立在这些想法。我们讨论了一些新的语言功能，以支持原子动作和反应式编程的研究思路。我们还探讨了在游戏和模拟，包括自适应查询计划的选择，支持并行架构，调试模拟脚本，并扩展多人游戏和虚拟世界的主内存查询处理的挑战。我们相信，这些研究挑战将在未来十年内导致游戏引擎设计的巨大变化。

使用本机图形处理增强内存中关系数据库引擎

Empowering In-Memory Relational Database Engines with Native Graph Processing

过多的图和关系数据在各个领域中产生了许多有趣的图-关系查询，例如，在生物网络中找到满足关系谓词的相关蛋白质。RDBMS的成熟促使学术界和工业界致力于利用RDBMS进行图形处理，其中效率已被证明适用于重要的图形查询。然而，这些努力都没有在RDBMS内部原生地处理图，这是特别具有挑战性的，因为关系模型和图模型之间的阻抗不匹配。在本文中，我们建议将图视为关系引擎中的一等公民，以便在RDBMS中本地执行对图的操作。我们在VoltDB（一个开源的内存中关系数据库）中实现了我们的方法，并将此实现命名为GRFusion。GRFusion的SQL和查询引擎被授权以声明方式定义图形并执行由图形和关系运算符形成的跨数据模型查询计划，从而在查询时加速w.r.t.最先进的方法。

Introducing PathQuery, Google's Graph Query Language

We introduce PathQuery, a graph query language developed to scale with Google's query and data volumes as well as its internal developer community. PathQuery supports flexible and declarative semantics. We have found that this enables query developers to think in a naturally "graphy" design space and to avoid the additional cognitive effort of coordinating numerous joins and subqueries often required to express an equivalent query in a relational space. Despite its traversal-oriented syntactic style, PathQuery has a foundation on a custom variant of relational algebra -- the exposition of whic…

基于异构信息网络查询的关系学习与特征提取

Relational Learning and Feature Extraction by Querying over Heterogeneous Information Networks

许多现实世界的系统需要在异构信息网络上运行，这些网络由许多不同类型的交互组件组成。示例包括对生物信息网络执行数据分析的系统;社交网络;以及处理非结构化数据以将原始文本转换为知识图谱的信息抽取系统。许多以前的作品描述了专门的方法来执行特定类型的分析，挖掘和学习这样的网络。在这项工作中，我们提出了一个统一的框架，包括一个数据模型-一个图与一阶模式以及声明性语言的方式，促进关系和结构化机器学习的构建，查询和操纵这样的网络。特别是，我们提供了一个关系和图遍历查询语言的查询直接用作结构化机器学习模型的关系功能的初始原型。特征提取通过进行声明性图遍历查询来执行。学习和推理模型可以直接对这种关系表示进行操作，并使用新的数据和知识对其进行扩充，这些数据和知识又可以无缝集成到关系结构中，以支持新的预测。我们通过展示自然语言处理和计算生物学领域的任务来展示该系统的能力。

关系代数中的开放图形式化

Formalising opencypher Graph Queries in Relational Algebra

图形数据库系统越来越适合于存储和处理异构网络类数据集。然而，由于这种系统的新颖性，尚未出现标准数据模型或查询语言。因此，即使在相关技术之间迁移数据集或应用程序，也往往需要大量的手动工作或临时解决方案，从而使用户有可能受到供应商的锁定。为了避免这种威胁，供应商正在努力支持现有的标准语言（例如SQL）或创建标准化语言。在本文中，我们提出了一个正式的规范openCypher，一个高层次的声明图查询语言正在进行的标准化工作。我们引入关系图代数，它通过调整特定于图的运算符来扩展关系运算符，并定义了从核心openCypher结构到该代数的映射。我们提出了一个算法，允许系统编译的openCypher查询。

关系数据库中隐藏图的提取与分析

Extracting and Analyzing Hidden Graphs from Relational Databases

通过使用图分析来分析数据集中的底层实体或对象之间的互连结构已被证明在许多应用领域中提供了巨大的价值。然而，图形并不是当今存储大多数数据的主要表示选择，并且为了访问这些分析，用户被迫从他们的数据存储中提取数据，构建必要的图形，然后将它们加载到一些图形引擎中，以便执行他们的图形分析任务。此外，这些图可能比存储在数据库中的初始输入大得多，使得在存储器中构造或分析这样的图是不可行的。在本文中，我们解决这两个挑战，通过建立一个系统，使用户能够声明指定图形提取任务的关系数据库模式，然后执行图算法提取的图形。为此，我们提出了一种声明性的特定于域的语言，并将其与一种新的浓缩的内存表示配对，该表示显着减少了这些图的内存占用，允许分析大于内存的图。我们提出了一个通用的算法来创建这个压缩表示的一个大类的图提取查询对任意模式。我们观察到，压缩表示遭受重复的问题，导致大多数图算法的不准确。然后，我们提出了一套内存中的表示，以不同的方式处理这种重复，并允许权衡所需的内存和执行不同的图算法的计算成本。我们引入新的重复数据删除算法，以消除这种重复的图形，这是独立的兴趣图压缩，并提供了一个全面的实验评估，在几个现实世界和合成数据集说明这些权衡。

关系数据感知过程的建模和数据库内管理（扩展版）

Modeling and In-Database Management of Relational, Data-Aware Processes (Extended Version)

在过去的二十年里，人们越来越认识到，信息系统的工程通常需要在集成主数据和业务流程方面付出巨大的努力。这导致了来自学术界和工业界的大量建议。然而，这样的方法通常带有特定的抽象来表示数据组件并与之交互。这有两个缺点。一方面，它们不能用于轻松地用动态来丰富现有的关系数据库。另一方面，它们一般不允许综合建模、验证和颁布。我们攻击这两个挑战，提出了一个声明性的方法，完全基于SQL，支持直接在关系数据库上的关系数据感知过程的敏捷建模。我们展示了这种方法如何自动转换为具体的过程化SQL方言，可以在任何关系数据库引擎内直接执行。该转换利用了过程状态的数据库内表示，该过程状态又用于在记录或不记录执行实例的情况下立即处理过程制定以及过程验证。该方法已在一个工作原型中实现。

图数据模型与关系数据库技术

Graph Data Models and Relational Database Technology

本文研究如何利用关系数据库管理系统中的元数据实现类型化图数据模型，以支持图形数据库与关系数据库等不同模型系统之间的企业集成。

PIQL：云中的容错查询处理

PIQL: Success-Tolerant Query Processing in the Cloud

新发布的Web应用程序经常会遭遇“成功灾难”，即数据库机器过载和由此产生的高响应时间破坏了以前良好的用户体验。不幸的是，传统的关系数据库系统提供的数据独立性虽然对敏捷开发很有用，但由于将潜在的昂贵查询隐藏在简单的声明式表达式下，只会加剧问题。因此，这些应用程序的开发人员越来越多地放弃关系数据库，转而使用针对分布式键/值存储编写的命令式代码，从而在此过程中失去了数据独立性的许多好处。相反，我们提出了PIQL，一种声明性语言，它还通过计算将为任何查询执行的键/值存储操作的数量的上限来提供规模独立性。结合服务水平目标（SLO）合规预测模型和PIQL的可扩展数据库架构，这些界限使开发人员可以轻松编写成功容忍应用程序，支持任意数量的用户，同时仍然提供可接受的性能。在本文中，我们提出了PIQL查询处理系统，并评估其规模独立数百台机器上使用两个基准，TPC-W和SCADr。

RDBMS上的声明式递归计算，或者为什么应该使用数据库进行分布式机器学习

Declarative Recursive Computation on an RDBMS, or, Why You Should Use a Database For Distributed Machine Learning

许多流行的系统，最著名的是谷歌的TensorFlow，已经从头开始实现，以支持机器学习任务。我们考虑如何对现代关系数据库管理系统（RDBMS）进行一组非常小的更改，使其适合分布式学习计算。更改包括增加对递归的更好支持，以及优化和执行非常大的计算计划。我们还表明，使用RDBMS作为机器学习平台的关键优势。特别地，基于数据库管理系统的学习允许对大数据集和特别是大模型的微不足道的缩放，其中不同的计算单元对可能太大而不能装入RAM的模型的不同部分进行操作。

SEMA-SQL：超越传统关系查询的大型语言模型

SEMA-SQL: Beyond Traditional Relational Querying with Large Language Models

SEMA-SQL通过结合关系操作与LLM语义推理，自动回答自然语言问题，提升查询能力。

神经关系程序：统一结构化数据上的查询与神经计算

Neuro-Relational Programs: Unifying Queries and Neural Computation over Structured Data

提出神经关系程序（NRP），一种扩展Datalog规则的声明式查询语言，通过嵌入操作融合关系推理与可学习神经组件，实现关系数据上的通用神经计算。

SparkGOR: A unified framework for genomic data analysis

Motivation: Our goal was to combine the capabilities of Spark and GOR into a single computing framework for use in analysis of large scale genome data. Results: We have created a relational query engine that unites SparkSQL and GORpipe into a single declarative query framework. This has been achieved by allowing embedding of SQL expressions into the high-level relational statement syntax in GOR and by supporting virtual relations and nested GORpipe expressions within SQL. Furthermore, we have built drivers to enable Spark and GOR to use and leverage their preferred file formats, Parquet and GO…

Relational Diagrams: a pattern-preserving diagrammatic representation of non-disjunctive Relational Queries

Analyzing relational languages by their logical expressiveness is well understood. Something not well understood or even formalized is the vague concept of relational query patterns. What are query patterns? And how can we reason about query patterns across different relational languages, irrespective of their syntax and their procedural or declarative nature? In this paper, we formalize the concept of query patterns with a variant of pattern-preserving mappings between the relational atoms of queries. This formalism allows us to analyze the relative pattern expressiveness of relational query …

预测查询语言：一种用于关系数据库预测建模的领域特定语言

Predictive Query Language: A Domain-Specific Language for Predictive Modeling on Relational Databases

PQL是一种用于关系数据库预测建模的声明式语言，通过单个查询自动计算训练标签，支持多种机器学习任务，已在金融欺诈、推荐系统等领域应用。

改善规则的例外

The Exception that Improves the Rule

数据库社区已经开发了许多用于数据整理和探索的工具和技术，从声明性语言到用于数据修复的专门技术等等。然而，如何以简单、直观、灵活的方式向分析师展示这些强大的工具，目前还没有达成共识。因此，分析师继续依赖于电子表格、命令式语言和笔记本式编程环境（如Applyter）等工具进行数据整理。在这项工作中，我们探讨了电子表格，笔记本电脑，和关系数据库的集成。我们关注的是电子表格和命令式笔记本环境相对于传统关系数据库的一个关键优势：易于异常。由于依赖于一次一组的操作，关系数据库牺牲了轻松定义单例操作的能力，单例操作是正常数据处理工作流的例外，会影响对一组固定的显式目标记录的查询处理。相比之下，电子表格用户可以很容易地更改一个单元格的公式，而笔记本用户可以向她的笔记本添加一个命令式操作，以更改输出“视图”。我们认为，在经典的关系数据库中启用这种特殊的手动转换对于策展至关重要，因为易于为单个值声明的策展操作通常非常难以推广。我们探讨了在关系数据库中启用单例的挑战，提出了一个用于数据整理的混合电子表格/关系笔记本环境，并提出了我们对Vizier的看法，Vizier是一个通过这样一个界面暴露数据整理的系统。

面向科学机器学习的声明式查询语言

A Declarative Query Language for Scientific Machine Learning

本文提出声明式机器学习查询语言MQL，降低科学家使用门槛，并在材料科学工作流系统MatFlow上验证其可行性。

sql4ml用于机器学习的声明式端到端工作流

sql4ml A declarative end-to-end workflow for machine learning

我们介绍了sql4ml，这是一个用SQL表达监督式机器学习（ML）模型并在TensorFlow中自动训练它们的系统。这项工作的主要动机源于这样一种观察：在许多数据科学任务中，存储数据的关系数据库和机器学习框架之间存在来回的关系。数据预处理和特征工程通常发生在数据库中，而学习通常在单独的ML库中执行。这种碎片化的工作流程要求用户在不同的编程范式和软件系统之间切换。使用sql4ml，用户可以在SQL中表达特征工程和ML算法，而系统将此代码转换为适当的表示，以便在机器学习框架内进行训练。我们描述了我们的翻译方法，目前的实验结果，将其应用于三个著名的ML算法，并讨论了可用性的好处集中在数据库端的整个工作流程。

优化上下文增强的关系连接

Optimizing Context-Enhanced Relational Joins

针对传统关系型DBMS难以处理关系型与多模态上下文数据的问题，提出上下文增强关系连接及可组合的嵌入运算符，实现混合数据处理与优化，通过实例验证整体优化可提升执行时间一个数量级。

SABER：一种基于扩展关系代数的SQL兼容语义文档处理系统

SABER: A SQL-Compatible Semantic Document Processing System Based on Extended Relational Algebra

针对现有语义数据处理系统缺乏统一代数基础、查询难优化等问题，提出基于扩展关系代数的语义代数SABER，以SQL兼容语法实现，支持混合数据处理，可混搭不同系统的兼容算子，提升适用性。

RumbleML: program the lakehouse with JSONiq

Lakehouse systems have reached in the past few years unprecedented size and heterogeneity and have been embraced by many industry players. However, they are often difficult to use as they lack the declarative language and optimization possibilities of relational engines. This paper introduces RumbleML, a high-level, declarative library integrated into the RumbleDB engine and with the JSONiq language. RumbleML allows using a single platform for data cleaning, data preparation, training, and inference, as well as management of models and results. It does it using a purely declarative language (J…

PalimpChat：声明式与交互式人工智能分析

PalimpChat: Declarative and Interactive AI analytics

PalimpChat 通过自然语言聊天接口结合 Archytas 推理智能体和 Palimpzest 优化器，使非专家用户也能创建和运行复杂的声明式 AI 分析流水线。

关系数据库系统中的可扩展包查询

Scalable Package Queries in Relational Database Systems

传统的数据库查询遵循一个简单的模型：它们定义结果中的每个元组必须满足的约束。该模型在计算上是高效的，因为数据库系统可以单独评估每个元组上的查询条件。然而，许多实际的现实问题需要一个结果元组的集合来共同满足约束，而不是单独满足约束。在本文中，我们提出了包查询，一个新的查询模型，扩展了传统的数据库查询处理复杂的约束和偏好的答案集。我们开发了一个成熟的包查询系统，实现了传统的数据库引擎之上。我们的工作做出了一些贡献。首先，我们设计了PaQL，一个基于SQL的查询语言，支持包查询的声明性规范。我们证明了PaQL是至少作为整数线性规划的表达，因此，评估包查询是一般NP-难。其次，我们提出了一个基本的评估策略，结合数据库和约束优化求解器的能力，以获得解决方案包查询。我们的方法的核心是一组转换规则，将包查询转换为整数线性规划。第三，我们引入了一个离线的数据分区策略，允许查询评估规模大的数据大小。第四，我们介绍SketchRefine，一个可扩展的软件包评估算法，具有很强的近似保证（$(1 \pmε)^6$因子近似）。最后，我们提出了广泛的实验在现实世界和基准数据。结果表明，SketchRefine在获得高质量的包结果方面是有效的，并且在大型数据集上实现了比直接使用ILP求解器快一个数量级的运行时性能。

任意关系演算查询的高效求值

Efficient Evaluation of Arbitrary Relational Calculus Queries

提出一种将任意关系演算查询转换为安全范围查询并最终映射为SQL的新方法，利用标准数据库管理系统实现高效求值，在时间复杂度和实验表现上均优于现有方法。

因果关系学习

Causal Relational Learning

因果推理是自然科学和社会科学实证研究的核心，对于科学发现和知情决策至关重要。因果推理的黄金标准是进行随机对照试验;不幸的是，由于伦理、法律或成本的限制，这些试验并不总是可行的。作为一种替代办法，统计研究和社会科学已经发展出从观测数据进行因果推断的方法。然而，现有的方法严重依赖于限制性的假设，如研究人口组成的同质元素，可以表示在一个单一的平面表，其中每一行被称为一个单位。相比之下，在许多现实环境中，研究领域自然由具有复杂关系结构的异构元素组成，其中数据自然表示在多个相关表中。在本文中，我们提出了一个正式的框架，因果关系的数据推断。我们提出了一种称为CaRL的声明性语言，用于捕获因果背景知识和假设，并使用简单的数据日志式规则指定因果查询。CaRL为推断因果关系和推理关系域中复杂干预的影响提供了基础。我们对真实的关系数据进行了广泛的实验评估，以说明CaRL在社会科学和医疗保健中的适用性。

声明性结果一致性合成：精确、闭式规范满足及一致性基准

Declarative Outcome-Conformant Synthesis: Exact, Closed-Form Specification Satisfaction and a Conformance Benchmark

针对无源数据下精确满足声明性分析结果的需求，提出结果一致性合成任务，通过闭式条件伽马抽样实现精确聚合，并构建SpecBench基准，证明一致性保真度正交。

论关系图的合理有效性：解释关系查询模式与关系语言的模式表达能力

On The Reasonable Effectiveness of Relational Diagrams: Explaining Relational Query Patterns and the Pattern Expressiveness of Relational Languages

本文首次提出独立于语言的关系查询模式语义定义，并据此构建语言模式表达能力层级，同时提出Relational Diagrams图示表示，使用户能比SQL更快更准地识别模式。

成本驱动的基于本体的数据访问（扩展版）

Cost-Driven Ontology-Based Data Access (Extended Version)

在基于本体的数据访问（OBDA）中，为用户提供了（关系）数据源的概念视图，该视图抽象了有关数据存储的细节。这个概念视图是通过一个本体实现的，该本体通过声明性映射连接到数据源，查询应答是通过将概念视图上的用户查询转换为数据源上的SQL查询来执行的。OBDA中的标准翻译技术试图将用户查询转换为联合查询（UCQ），遵循UCQ可以由现代关系数据库引擎有效地评估的启发式论点。在这项工作中，我们表明，翻译到UCQ并不总是最好的选择，而且，在一定的条件下，本体，映射，和数据的统计之间的相互作用，替代翻译可以更有效地进行评估。为了找到最好的翻译，我们设计了一个成本模型，以及一个新的基数估计，考虑到所有这些OBDA组件。我们的实验证实，（i）UCQ翻译的替代方案可能会产生数量级更有效的查询，以及（ii）我们提出的成本模型是忠实于实际的查询评估成本，因此非常适合选择最佳翻译。

与Cyrus会面-通过语音移动助手查询SQL学习者的辅导和形成性评估

Meet Cyrus - The Query by Voice Mobile Assistant for the Tutoring and Formative Assessment of SQL Learners

由于是声明性的，SQL更有可能成为仅次于自然语言编程的概念计算的程序设计语言。我们研究使用SQL作为后端的自然语言数据库编程的可能性。与基于关键字的SQL查询不同，关键字依赖和SQL的表结构约束在我们的方法中明显不那么明显。我们提出了一个移动终端语音查询接口，称为赛勒斯，任意关系数据库。Cyrus支持一个大型的查询类，对于一个入门级的数据库类来说已经足够了。Cyrus也是独立于应用程序的，允许测试数据库自适应，并且不限于特定的关键字或自然语言句子结构。它的协作错误报告更直观，与大多数当代移动和语音系统相比，基于iOS的移动平台也更容易访问。

面向多粒度数据分析的多关系代数

Multi-Relational Algebra for Multi-Granular Data Analytics

针对跨粒度实体与特征关系分析中现有 SQL/OLAP 构造可组合性和性能不足的问题，论文提出 MRA 及其 RelationSpace、SliceRelation 抽象与转换算子，并已在 Google 生产环境验证。

桥接命令式流程模型与流程数据查询——翻译与松弛

Bridging Imperative Process Models and Process Data Queries-Translation and Relaxation

本文提出将命令式流程模型（如Petri网）翻译为松弛的SQL查询用于一致性检查，弥合流程建模与数据驱动分析之间的鸿沟，并验证了行为足迹等声明式方法的价值。

将深度学习设计融入数据库查询

Incorporating Deep Learning Design in Database Queries

提出一种将深度学习自然集成到数据库查询中的方法，通过为元组关联可学习的向量嵌入，使查询同时操作数据和嵌入，实现关系深度学习。

语义算子：一种用于丰富的、基于AI的数据处理的声明式模型

Semantic Operators: A Declarative Model for Rich, AI-based Data Processing

针对现有LLM数据处理系统缺乏性能保证与表达力的问题，提出声明式语义算子模型，通过黄金算法保证准确性并优化成本，在LOTUS系统中实现，加速多种操作并提升AI流水线质量。

基于广义判别网络的演绎图数据库增量式视图维护

Incremental View Maintenance for Deductive Graph Databases Using Generalized Discrimination Networks

现在，当实体之间的关系在数据库查询的范围内时，采用图数据库以避免关系数据库的性能关键的连接操作。图查询用于查询和修改存储在图数据库中的图。图查询采用图模式匹配，其对于子图同构是NP完全的。可以采用图数据库视图，其在针对经常陈述的和复杂的图查询的预先计算的图模式匹配方面保持准备好的答案，以提高查询性能。然而，这样的图形数据库视图必须与存储在图形数据库中的图形保持一致。在本文中，我们描述了如何使用增量图模式匹配技术来维护图形数据库视图。我们提出了一个增量维护算法的图数据库视图，它适用于命令式和声明式指定的图查询。评估表明，我们的维护算法规模时，存储在图数据库中的节点和边的数量增加。此外，我们的评估表明，我们的方法可以优于现有的方法的增量维护图查询结果。

在数据库中处理函数

Juggling Functions Inside a Database

我们定义和研究的功能聚合查询（FAQ）的问题，它捕获了广泛的领域，包括关系数据库，逻辑，矩阵和张量计算，概率图形模型，约束满足，和信号处理的共同计算任务。简单地说，FAQ是一种从输入函数数据库中定义新函数的声明性方式。我们提出了“InsideOut”，一个动态规划算法，评估的FAQ。该算法将输入查询重写为一组查询到计算的FAQ子查询。每个子查询，然后使用最坏情况下的最佳关系连接算法进行评估。在过去的几年里，设计算法来优化经典的多路连接问题的主题已经取得了令人兴奋的发展。我们的框架将数据库理论中的这些新思想与大量的应用领域以一种连贯的方式紧密联系在一起，潜在地表明，一个好的数据库引擎可以同时是通用约束求解器、关系数据存储、图形模型推理引擎和矩阵/张量计算处理器。InsideOut算法非常简单，这将在本文中描述。然而，尽管解决了一个非常普遍的问题，它的运行时间要么是一样好，或改进后的最知名的算法的应用程序，FAQ专门。这些推论包括图形模型推理、矩阵/张量运算、关系连接和逻辑中的计算任务。更好的是，InsideOut可以在任何数据库引擎中使用，因为它基本上是重写查询的原则性方法。事实上，它已经是LogicBlox数据库引擎的一部分，帮助有效地回答传统的数据库查询，图形模型推理查询，并在数据库本身内部训练一大类机器学习模型。

数据清洗中的查询匹配：复杂性与算法

Query Answering under Matching Dependencies for Data Cleaning: Complexity and Algorithms

匹配依赖（MD）最近已经被引入作为实体解析（ER）的声明性规则，即用于识别和解析关系实例$D$中的重复。一组MD可以用作一种可能的非确定性机制的基础，该机制从$D$计算无重复实例。这个过程的可能结果是干净的，“最小分辨率的实例”（MRI）。$D$可能有多个MRI，查询的“已解析答案”是所有MRI共享的答案。我们调查的问题计算解决的答案。我们看看各种各样的MD，制定句法标准，确定（在）听话的解决答案的问题，包括二分法的结果。对于一些易于处理的类MD和合取查询，我们提出了一个查询重写方法，可以用来检索解决的答案。我们还调查了与“一致的查询回答”的连接，得出进一步的基于MD的ER的易处理性结果。

NEURON：查询优化与自然语言处理相结合以增强数据库教育

NEURON: Query Optimization Meets Natural Language Processing For Augmenting Database Education

关系数据库管理系统（RDBMS）是世界上许多大学的计算机科学课程的一部分。该课程的核心组成部分是关系数据库管理系统中查询优化器的设计和实现。查询优化器的目标是自动识别执行用户提交的声明性SQL查询的最有效执行策略。查询优化过程产生表示查询的执行策略的查询执行计划（QEP）。由于底层查询优化器的复杂性，理解QEP要求学生了解与RDBMS相关的特定于实现的问题。实际上，这是一个不切实际的假设，因为大多数学生都是第一次学习数据库技术。因此，他们通常很难通过仔细阅读QEP来理解DBMS所承担的查询执行策略，从而阻碍了他们的学习过程。在这个演示中，我们提出了一个新的系统，称为神经元，促进自然语言与QEP互动，以提高其理解。NEURON接受SQL查询（可能包括连接、聚合、嵌套等）作为输入，执行它，并生成底层RDBMS部署的执行策略的简化的基于自然语言的描述（文本和语音形式）。此外，它通过基于自然语言的问答框架促进了对与QEP相关的各种特征的理解。我们主张，这样的工具，世界上第一个，可以大大提高学生的学习查询优化的主题。

SQL ++查询语言：可配置、统一和半结构化

The SQL++ Query Language: Configurable, Unifying and Semi-structured

NoSQL数据库支持半结构化数据，通常建模为JSON。它们还提供有限的（但正在扩展的）查询语言。它们惯用的、非SQL语言的构造、许多变体以及缺乏形式化语义阻碍了对查询语言的深入理解，也阻碍了向干净、强大、声明性的查询语言发展。本文详细介绍了SQL++的语法和语义，它既适用于JSON原生存储，也适用于SQL数据库。SQL++半结构化数据模型是JSON和SQL数据模型的超集。SQL++为处理半结构化数据提供了强大的计算能力，类似于以前的非关系查询语言，特别是OQL和XQuery。然而，SQL++是SQL向后兼容的，并且通过仅向SQL引入少量的查询语言扩展而向JSON推广。认识到查询语言标准对于快速发展的NoSQL数据库领域来说可能还为时过早，SQL++包括配置选项，这些选项正式列出了语言设计者可以选择的语义变体。这些选项通常与半结构化（缺失属性、异构类型等）的处理有关，其中可能有一种以上的合理方法。SQL++是统一的：通过适当地选择配置选项，SQL++语义可以变形为现有的半结构化数据库查询语言的语义。广泛的实验验证显示了SQL和四种半结构化数据库查询语言（MongoDB，Cassandra CQL，Couchbase N1QL和AsterixDB AQL）如何通过适当的配置选项设置进行形式化描述。SQL++的早期采用迹象是积极的：Couchbase的N1QL版本4被解释为SQL++的语…

将结构化聚合查询翻译为MapReduce代码的新方法

A Novel Approach to Translate Structural Aggregation Queries to MapReduce Code

提出将SciDB中AQL表达的数组结构化聚合查询翻译为MapReduce作业的系统，生成代码性能比手写高10.84倍。

Sema: 一种高性能的基于大语言模型的语义查询处理系统

Sema: A High-performance System for LLM-based Semantic Query Processing

Sema 是一种基于 DuckDB 构建的高性能语义查询引擎，通过 SemaSQL 实现自然语言表达与 SQL 的无缝集成，提升语义查询的性能和结果质量。

通过知识图谱集成3D城市数据

Integrating 3D City Data through Knowledge Graphs

本文提出CityGML KG框架，利用知识图谱技术通过声明性映射将3DCityDB中的CityGML数据暴露为知识图谱，解决了概念语义与关系模式间的鸿沟，并实现了与其他空间数据源的集成查询。

Bounded-Memory Criteria for Streams with Application Time

Bounded-memory computability continues to be in the focus of those areas of AI and databases that deal with feasible computations over streams---be it feasible arithmetical calculations on low-level streams or feasible query answering for declaratively specified queries on relational data streams or even feasible query answering for high-level queries on streams w.r.t. a set of constraints in an ontology such as in the paradigm of Ontology-Based Data Access (OBDA). In classical OBDA, a high-level query is answered by transforming it into a query on data source level. The transformation require…

TL;QR：查询文本语料中的时间话语模式

TL;QR: Querying Temporal Discursive Patterns in Textual Corpora

TL;QR是结合LLM与时间逻辑的声明式查询语言及开源引擎，可精准高效查询文本语料的时间话语模式，在基准测试与欧洲议会辩论案例中表现优于仅用LLM的方法。

当计划改变答案时：语义查询的成本-准确性优化的形式化

When Plans Change Answers: Formalizing Cost-Accuracy Optimization for Semantic Queries

针对语义查询引擎中错误传播问题，提出成本-准确性优化的形式化定义，基于校准置信度计算预期输出质量，并分析计划等价性与优化复杂性。

蓝色数据智能层：面向多源多模态数据导向应用的流数据与智能体

Blue Data Intelligence Layer: Streaming Data and Agents for Multi-source Multi-modal Data-Centric Applications

本文提出Blue数据智能层，通过整合异构数据源、多模态信息及上下文数据，解决多源多模态数据导向应用中的复杂查询需求，结合智能体与数据处理实现自然语言到SQL的扩展。

Cortex AISQL：面向非结构化数据的生产级SQL引擎

Cortex AISQL: A Production SQL Engine for Unstructured Data

Cortex AISQL通过AI-aware优化、自适应模型级联和语义连接重写技术，解决大规模语义操作效率问题，提升非结构化数据查询性能。

OntoKG-EQ：一种基于溯源、由能力问题驱动的知识图谱，用于可审计的分析师查询

OntoKG-EQ: A provenance-grounded, competency-question-governed knowledge graph for auditable analyst querying

OntoKG-EQ构建基于溯源和能力问题的知识图谱，使新兴市场分析师的查询可复现、可审计，并验证其优于传统方法，提升信任与完整性。