RT info:eu-repo/semantics/article
T1 HDT++: improving HDT for SPARQL triple pattern resolution
A1 Hernández Illera, Antonio
A1 Martínez Prieto, Miguel Angel
A1 Fernández García, Javier David
A1 Fariña, Antonio
K1 HDT
K1 Compresión RDF
K1 SPARQL
K1 Linked Data
K1 1203.18 Sistemas de Información, Diseño Componentes
K1 1203.12 Bancos de Datos
K1 1203.04 Inteligencia Artificial
AB Los autoíndices RDF son capaces de comprimir las colecciones de RDF y proporcionar acceso eficiente a sus datos sin necesidad de una descompresión previa, mediante los denominados patrones de triples SPARQL. HDT es una de las soluciones de referencia en este escenario, con diversas aplicaciones orientadas a reducir la barrera tanto de publicación como de consumo de Big Semantic Data. HDT ofrece una solución competitiva en términos de espacio y tiempo, dada su capacidad para resolver consultas de escaneo y basadas en el sujeto. Sin embargo, HDT requiere índices adicionales para resolver patrones de triples SPARQL basados en predicado y objeto.Una variante reciente de HDT: HDT++, mejora sus tasas de compresión, pero no conserva las capacidades originales de recuperación de HDT. En este artículo, extendemos HDT++ con índices adicionales para soportar la resolución completa de patrones de triples SPARQL, consolidando una configuración más ligera que la planteada en la propuesta de indexación original de HDT: HDT-FoQ. Nuestra evaluación muestra que la estructura resultante, iHDT++, requiere entre un 70 % y un 85 % del espacio del HDT-FoQ original (y hasta un 48 %–72 % en una variante HDT Community). Además, iHDT++ presenta mejoras significativas de rendimiento en las operaciones de acceso a los datos comprimidos.
PB SAGE Publications Ltd
SN 1064-1246
YR 2020
FD 2020
LK https://uvadoc.uva.es/handle/10324/83748
UL https://uvadoc.uva.es/handle/10324/83748
LA spa
NO Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology, 2020, vol. 39, n. 2, p. 2249-2261
NO Producción Científica
DS UVaDOC
RD 23-mar-2026