一种基于维层次聚集树的Cube增量更新算法

提出利用Cube中的维层次聚集树(d im ens ion h ierarchy aggregate tree,简称DHA_T ree)来对聚集Cube进行增量更新维护,在维层次聚集Cube中进行数据插入和删除等数据更新时,充分利用维层次聚集树中的维层次前缀,由下向上用更新前后的差值对受到更新结点影响的所有祖先结点进行增量更新.在插入新维数据时,在不需要重新构建聚集Cube就可以对聚集Cube进行增量更新,从而减少了Cube的更新时间.对基于维层次聚集树的聚集Cube与传统Cube进行了算法性能分析和比较,结果表明本文所提出的聚集Cube的增量更新算法性能最佳.

一种基于维层次编码的OLAP聚集查询算法

联机分析处理 (OLAP)查询往往需在海量数据上进行即席的复杂分组聚集查询 ,在其SQL语句中通常包含多表连接和分组聚集操作 ,因而减少多表连接和压缩关键字 ,以及对查询数据进行有效地分组聚集操作 ,成为ROLAP查询处理的关键问题 提出了一种基于维层次编码的新型预分组聚集算法DHEPGA DHEPGA算法充分利用了编码长度较小的维层次编码及其前缀 ,来快速检索出与查询关键字相匹配的维层次编码 ,求得维层次属性的查询范围 ,减少了I/O开销 ,提高了OLAP查询效率 理论分析和实验结果表明 。

数据仓库系统中一种高效的多维层次聚集算法

如何减少联机分析处理中多表连接和压缩维属性连接关键字,对查询数据进行有效地分组聚集操作,成为联机分析处理查询处理的关键问题。为此,提出了一种基于多维层次编码的新型预聚集算法MDHEPA。该算法充分利用编码长度较小的多维层次编码及其前缀,对事实表中的数据进行快速地分组聚集计算,大大减少和简化了多表连接操作,提高了联机分析处理查询效率。理论分析和实验结果表明,该算法是有效的。

数据仓库系统中一种改进的维层次聚集Cube存储结构

提出利用Cube中的维层次(dimensionhierarchy)聚集技术来创建高性能的维层次聚集Cube(dimensionhierarchyaggregatecube,DHAC).充分利用DHAC已保存的维层次信息,对Cube中多维数据的查询和更新效率进行了优化,并且支持Cube的上探、下钻等语义操作.在DHAC中进行数据插入和删除等数据更新时,由下向上用更新前后的差值对受到更新结点影响的所有祖先结点进行增量更新.实现了在插入新维或维层次时不需要重新构建聚集Cube就可以实现Cube的模式更新.对维层次聚集Cube与传统Cube进行了算法性能分析和比较,理论分析和实验结果都表明,所提出的DHAC性能最佳.

数据仓库中一种基于维层次编码的位图索引方法

为了减少OLAP中的多表连接,压缩维属性连接关键字,对查询数据进行有效地分组聚集操作,来提高OLAP查询速度.利用维属性具有层次特性对维成员进行编码,生成其维层次编码,来代替维表中原关键字,实现了维表关键字的压缩.通过编码长度较小的维层次编码及其层次前缀路径,对维层次编码进行前缀匹配操作,快速检索出与查询关键字相匹配的维层次编码,求得维层次属性的查询范围,从而大大减少和简化了事实表与维表之间的多表连接,减少了I/O开销,提高了OLAP查询效率.

支持联机分析处理的推特用户兴趣维层次提取方法

从海量推特数据中探索用户兴趣的分布规律和相关性有利于实现精确的个性化推荐。联机分析处理(OnLine Analytical Processing,OLAP)提供了一种适合人们探究数据的直观形式。将OLAP技术应用于推特数据的关键是如何挖掘和构建推特用户的兴趣维层次。针对现有方法只能提取单一层次兴趣的不足,该文提出一种支持联机分析处理的推特用户兴趣维层次提取方法。该方法首先通过Rest API获取推特数据,然后通过改进的LDA(Latent Dirichlet Allocation)模型挖掘用户的兴趣和子兴趣,最后在此基础上构建兴趣维层次结构。实验评估了该方法的模型效果和可扩展性,并证实与LDA和h LDA相比可以更有效地提取出推特用户的兴趣维层次并应用于联机分析处理。

多维层次聚集cube的可扩展存储结构

采用多维层次式B+树作为多维数据集的索引结构,并在此基础上创建了一种可扩展的存储结构——多维层次聚集cube(MH-cube).基于MH-cube的层次特性,可以高效地对多维数据集进行快速查询、数据更新与模式更新,分析表明MH-cube在性能上优越于其他cube.

污名研究与多维层次表征模型的扩展分析

当前我国社会的污名问题日益凸显,它不但危害个体的身心健康,恶化人际关系,也成为构建和谐社会的一大障碍。本文在回顾污名概念的产生来源、定义发展和分类维度上,通过对国内国外相关研究的梳理和研究后,提出了我国目前该问题研究的局限和未来的发展取向,并提出研究污名研究的多维层次表征模型。

一种复杂多维层次的连接和聚集算法

由于数据仓库中存储着不同粒度、容量巨大的数据记录 ,所以如何有效地执行联机分析处理 (OLAP)查询操作 ,特别是连接和聚集操作 ,便成为数据仓库领域的核心问题之一 为此 ,提出了一种降低连接和聚集操作的新算法 (joinandaggregationbasedonthecomplexmulti dimensionalhierarchies,JACMDH) 算法充分考虑了复杂多维层次的特点 ,在原有的位图连接索引 (bitmapjoinindex)的基础上 ,采用层次联合代理 (hierarchycombinedsurrogate)和预先分组排序的方法 ,使得复杂的多维层次上的连接和聚集操作转化成事实表上的区域查询 ,从而在处理多维层次聚集的同时 ,提高了连接和聚集的效率 算法性能分析和实验数据表明 ,JACMDH算法和目前流行的算法相比 。

电力负荷数据多维层次聚集立方体存储结构模型

针对复杂电力负荷数据的存储与管理问题,提出一种可扩展的多维层次聚集立方体存储结构模型。模型在快速查询、数据更新与模式更新等方面表现出优越的性能,为负荷数据的高效管理提供了一种良好的方案。

多维数据模型中维层次结构的自动生成算法及其实现

多维数据模型是数据仓库及联机分析处理的核心,目前主要有两种:星型模型和雪花模型。维层次结构是多维数据模型最重要的概念之一。该文提出了一个算法,它能够在雪花模型中根据维表间的依赖关系构造维的层次结构。指出使用该算法的前提并进行了证明,随后实现了算法。文章最后提出了在星型模型中构造维的层次结构的基本过程。

基于位图连接索引的复杂多维层次的连接和聚集算法

在ROLAP中往往涉及到大量数据的复杂即席查询，从SQL角度看，这些查询通常都包含多表连接和分组聚集操作。本文提出了一种连接和聚集操作的新算法JAMDHBJI，该算法充分考虑了ROLAP中复杂多维层次的特点，同时考虑到并非全部维都具有维层次的语义特性，将维层次编码和位图连接索引有效结合，把复杂的连接和分组聚集操作转化为在事实表上的区域查询，从而大大提高了连接和分组聚集的效率。理论分析表明该算法是高效的。

数据仓库中非严格维层次的规范化研究

不规则维层次是数据仓库建模中常见的问题之一。通过对现实决策问题中可能出现的复杂维层次的分析,对可能导致OLAP工具聚集错误的非严格维层次问题进行了界定,给出了其形式化描述。为了能对非严格维层次进行规范化处理,提出了一种维层次范式,并设计了实现该范式的高效算法。

基于维层次的压缩Cube

提出利用Cube中的维层次来创建高性能的DHCube(dimensionhierarchycube) ,在DHCube中存储构成Cube的所有维的所有层次粒度组成的数据单元 ,从而实现了在 1个DHCube中就可以存储构成该Cube的d个维所创建的 2 d 个立方体视图的所有信息 ,从而压缩Cube存储空间 ,提高MOLAP查询效率 ,减少Cube创建时间和更新时间 .

一种维类转换为维层次的方法

分析维层次的结构和定义对数据仓库聚集操作的重要作用,确定了某些维类也可能产生类似维层次的分析要求,提出维类转换为维层次的CDCDH方法.给出维类和维层次的定义,并进一步提出显性维层次和隐性维层次的定义.对于表现为维类的隐性维层次,则确定其向显性维层次转换的条件和转换的步骤.同时结合一个具体的实例,说明了CDCDH方法的实施过程.

心理健康多维层次结构的建构与阐释

心理健康已经成为新时代人类发展的重要主题,但心理健康的结构表征研究依然存在明显局限。从心理学结构思想出发,在总结已有心理健康结构表征研究基础上,建构了包含两端、四维和十层次的心理健康多维层次结构,并重新阐释心理健康本质,认为心理健康多维层次结构在构念上体现了“两个原则”、在内容上体现了“三个强调”、在结构上体现了“四个结合”、在功能上体现出“五大作用”。心理健康多维层次结构只是一种理论构念,与其实证研究将是双向构建的关系。心理健康多维层次结构将引导心理健康服务活动并促进心理健康教育实践。

一种基于多层次链的Data Cube维层次编码

研究了Data Cube的索引技术,提出一种能够处理复杂维层次结构情况的维层次编码.维层次编码充分利用了Data Cube中维的层次性及其语义特性,结合二进制编码与维层次结构编码对维成员值进行编码,通过二进制操作,可以快速检索出与查询关键字相匹配的维层次编码.同时,基于维层次编码定义的层次链掩码,层次掩码及检索函数能够充分利用多维数据中的语义信息,实现基于语义的检索,减少了I/O开销,提高了OLAP查询效率.

基于维层次性的Data Cube存储优化方法

根据DataCube模式中维的层次性,提出了层次式B+树及维层次编码的概念,并应用于层次树形Cube(HTCube)方法中.HTCube将维划分为聚集维与分析维,在分析维上利用层次式B+树除去了冗余数据,并在查询过程中形成维层次编码,在聚集维上则利用维层次编码组合而成的分析维编码进行索引,从而可以高效地检索到聚集值.理论分析和实验证明,该方法不但节省了存储空间,而且可利用层次信息高效地进行各种OLAP查询,为DataCube模式更新、OLAP查询导航和OLAP查询行为分析的实现提供了可能.

基于维层次的OLAP变粒度存储策略

目前的决策支持体系结构中都是采用数据仓库来存储系统中的分析数据,应用OLAP技术实现系统中的分析功能。但是,数据量的增长也使得DataCube不断增大,因而影响到了OLAP的效率。本文提出了一种基于层次的OLAP变粒度存储策略,根据实际情况灵活地调整需要进行聚集的粒度与数据集,从而更好地满足数据分析的需要。

一种基于维层次的Data Cube压缩存储方法

针对维层次的特点,提出一种利用基表元组的标识维来对Data Cube来进行压缩存储(Hierarchical Compress Storage Cube,HCSCube)的方法。在定义基表元组与Data Cube中聚集元组的导出关系后,Data Cube中的一些聚集元组的聚集值可以由基表元组导出关系得到,因而可以合并保存,从而实现了Data Cube的压缩存储。理论分析和实验表明,基于维层次的压缩存储方法不仅能显著的减小Data Cube的存储空间,而且在查询效率上也有改进。