Query Processing Over Incomplete Databases

داده های ناقص بخشی از زندگی و تقریباً تمام زمینه های مطالعات علمی است. هنگامی که کاربران فرم های آنلاین را پر می کنند، تمایل دارند فیلدهای خاصی را نادیده بگیرند. شرکت کنندگان انتخاب می کنند که سوالات حساس در نظرسنجی ها را نادیده بگیرند. سنسورها از کار می افتند و در نتیجه خوانش های خاصی از بین می رود. سرویس‌های نقشه ماهواره‌ای که به‌صورت عمومی قابل مشاهده هستند، داده‌های گمشده‌ای در بسیاری از برنامه‌های تلفن همراه دارند. و در برنامه های کاربردی حفظ حریم خصوصی، داده ها عمداً ناقص هستند تا حساسیت برخی از مقادیر مشخصه حفظ شود.

پردازش پرس و جو یک مشکل اساسی در علوم کامپیوتر است و در برنامه های مختلف مفید است. در این کتاب، ما بیشتر بر روی پردازش پرس و جو بر روی پایگاه های داده ناقص تمرکز می کنیم، که شامل یافتن مجموعه ای از اشیاء واجد شرایط از یک مجموعه داده ناقص مشخص شده به منظور پشتیبانی از طیف گسترده ای از برنامه های کاربردی واقعی است. ما ابتدا سه نوع روش کلی برای رسیدگی به داده‌های ناقص را شرح می‌دهیم، از جمله (i) دور انداختن داده‌ها با مقادیر گمشده، (ii) نسبت مقادیر گمشده، و (iii) فقط بسته به مقادیر داده‌های مشاهده‌شده. برای نوع روش سوم، معنای جستجوی k-نزدیکترین همسایه (kNN)، جستجوی خط افق و غالب-k را معرفی می کنیم. پرس و جو در مورد داده های ناقص، به ترتیب. از نظر سه پرس و جوی نماینده بر روی داده های ناقص، ما برخی از تکنیک های پیشرفته را برای پردازش پرس و جوهای داده ناقص، از جمله نمایه سازی، هرس کردن و همچنین تکنیک های جمع سپاری بررسی می کنیم.

Incomplete data is part of life and almost all areas of scientific studies. Users tend to skip certain fields when they fill out online forms; participants choose to ignore sensitive questions on surveys; sensors fail, resulting in the loss of certain readings; publicly viewable satellite map services have missing data in many mobile applications; and in privacy-preserving applications, the data is incomplete deliberately in order to preserve the sensitivity of some attribute values.

Query processing is a fundamental problem in computer science, and is useful in a variety of applications. In this book, we mostly focus on the query processing over incomplete databases, which involves finding a set of qualified objects from a specified incomplete dataset in order to support a wide spectrum of real-life applications. We first elaborate the three general kinds of methods of handling incomplete data, including (i) discarding the data with missing values, (ii) imputation for the missing values, and (iii) just depending on the observed data values. For the third method type, we introduce the semantics of k-nearest neighbor (kNN) search, skyline query, and top-k dominating query on incomplete data, respectively. In terms of the three representative queries over incomplete data, we investigate some advanced techniques to process incomplete data queries, including indexing, pruning as well as crowdsourcing techniques.