Evaluación de modelo de predicción de latencia en consultas SPARQL

Abstract

El uso de bases de datos orientadas a grafos ha crecido significativamente debido a su capacidad para manejar grandes volúmenes de datos y sus complejas interconexiones. La Web Semántica, respaldada por estándares como RDF y SPARQL, permite representar y consultar datos de manera eficiente, facilitando la interoperabilidad y el intercambio de información en la web. En este contexto, la predicción de la latencia de consultas SPARQL es crucial para optimizar el rendimiento de los sistemas basados en SPARQL, reduciendo tiempos de respuesta y mejorando la experiencia del usuario. Utilizando el dataset LSQ 2.0 sobre consultas del mundo real en DBpedia se evalúa un modelo de predicción, demostrando su eficacia y proporcionando una base para futuras mejoras en la optimización de consultas SPARQL.

The use of graph-oriented databases has significantly grown due to their ability to handle large volumes of data and complex interconnections. The Semantic Web, supported by standards such as RDF and SPARQL, enables efficient data representation and querying, facilitating interoperability and information exchange on the web. In this context, predicting SPARQL query latency is crucial for optimizing the performance of SPARQL-based systems, reducing response times, and enhancing user experience. By utilizing the LSQ 2.0 dataset on real-world queries in DBpedia, a prediction model is evaluated, demonstrating its effectiveness and providing a foundation for future improvements in SPARQL query optimization.