KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

An Improved Skyline Query Scheme for Recommending Real-Time User Preference Data Based on Big Data Preprocessing

빅데이터 전처리 기반의 실시간 사용자 선호 데이터 추천을 위한 개선된 스카이라인 질의 기법

  • 김지현 (한양대학교 인공지능학과) ;
  • 김종완 (삼육대학교 인공지능융합학부)
  • Received : 2021.12.07
  • Accepted : 2021.12.31
  • Published : 2022.05.31
Download PDF
⟨ Previous Next ⟩

Abstract

Skyline query is a scheme for exploring objects that are suitable for user preferences based on multiple attributes of objects. Existing skyline queries return search results as batch processing, but the need for real-time search results has increased with the advent of interactive apps or mobile environments. Online algorithm for Skyline improves the return speed of objects to explore preferred objects in real time. However, the object navigation process requires unnecessary navigation time due to repeated comparative operations. This paper proposes a Pre-processing Online Algorithm for Skyline Query (POA) to eliminate unnecessary search time in Online Algorithm exploration techniques and provide the results of skyline queries in real time. Proposed techniques use the concept of range-limiting to existing Online Algorithm to perform pretreatment and then eliminate repetitive rediscovering regions first. POAs showed improvement in standard distributions, bias distributions, positive correlations, and negative correlations of discrete data sets compared to Online Algorithm. The POAs used in this paper improve navigation performance by minimizing comparison targets for Online Algorithm, which will be a new criterion for rapid service to users in the face of increasing use of mobile devices.

스카이라인 질의(Skyline Query)는 객체의 다중 속성을 기준으로 사용자 선호에 적합한 대상을 탐색하는 기법이다. 기존 스카이라인 질의는 탐색 결과를 일괄처리(batch processing)로 반환하지만, 대화형 앱이나 모바일 환경의 등장으로 실시간 탐색 결과의 필요성이 증가하였다. 스카이라인을 위한 온라인 알고리즘(online algorithm)은 객체의 반환 속도를 향상해 실시간으로 선호 객체를 제공한다. 하지만 객체 탐색 과정에서 기존에 탐색한 영역을 재방문하여 반복 비교하는 불필요한 연산 시간이 소요된다. 본 논문은 온라인 알고리즘에서 불필요한 탐색 시간을 제거하여 스카이라인 질의 결과를 실시간으로 제공하기 위한 스카이라인 온라인 전처리 알고리즘을 제안한다. 제안 기법은 기존의 온라인 알고리즘에서 전처리를 수행함으로써 반복적으로 재탐색 되는 영역을 미리 제거하여 탐색 성능을 향상하였다. 실험 결과, 기존 온라인 알고리즘과 비교 시 이산 데이터 집합의 표준 분포, 편향 분포, 양의 상관 및 음의 상관분포에서 향상된 성능을 보였다. 제안 기법은 비교 대상을 최소화하여 탐색 성능을 향상하므로 모바일 장치의 사용이 증가하는 현실에서 사용자들에게 신속한 서비스를 제공할 수 있는 새로운 기준이 될 것이다.

Keywords

Acknowledgement

이 논문은 2018년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구임(NRF-2018S1A5A8027993).

References

  1. S. Borzsonyi, D. Kossmann, and K. Stocker, "The skyline operator," In Proceedings of IEEE Conference on Data Engineering, Heidelberg, Germany, pp.421-430, 2001.
  2. Y. Gulzar, A. A. Alwan, and S. Turaev, "Optimizing skyline query processing in incomplete data," in IEEE Access, Vol.7, pp.178121-178138, 2019. https://doi.org/10.1109/access.2019.2958202
  3. Z. Cai, X. Cui, X. Su, L. Guo, Z. Liu, and Z. Ding, "Continuous road network-based skyline query for moving objects," in IEEE Transactions on Intelligent Transportation Systems, Vol.22, No.12, pp.7383-7394, 2021. https://doi.org/10.1109/TITS.2020.3001577
  4. X. Yingyuan, X. Jiao, H. Wang, C. H. Hsu, Li Liu, and W. Zheng, "Efficient continuous skyline query processing in wireless sensor networks," Sensors, Vol.19, No.13, pp.2902, 2019. https://doi.org/10.3390/s19132902
  5. C. Kalyvas and M. Maragoudakis, "Skyline and reverse skyline query processing in SpatialHadoop," Data Knowledge and Engineering, Vol.122, pp.55-80, 2019. https://doi.org/10.1016/j.datak.2019.04.004
  6. G. Stoupas, A. Sidiropoulos, D. Katsaros, and Y. Manolopoulos, "Skyline-based university rankings," ADBIS, TPDL and EDA 2020 Common Workshops and Doctoral Consortium, pp.347-352, 2020.
  7. Z. Zheng, K. Ruan, and M. Yu, "k-dominant Skyline query algorithm for dynamic datasets," Frontiers of Computer Science, Vol.15, No.151602, pp.1-6, 2021.
  8. D. Kossmann, F. Ramsak, and S. Rost, "Shooting stars in the sky: An online algorithm for skyline queries," Proceedings of the 28th Very Large Data Bases Conference, pp.275-286, 2002.
  9. T. Erlebach, F. H. Liu, H. H. Liu, M. Shalom, W. H. Wong, and S. Zaks, "Complexity and online algorithms for minimum skyline coloring of intervals," Theoretical Computer Science, Vol.788, pp.66-78, 2019. https://doi.org/10.1016/j.tcs.2019.05.007
  10. D. Papadias, Y. Tao, G. Fu, and B. Seeger, "An optimal and progressive algorithm for skyline queries," In: ACM SIGMOD International Conference on Management of Data, pp.467-478, 2003.
  11. N. Roussopoulos, S. Kelley, and F. Vincent, "Nearest neighbor queries," In Proceedings of the 1995 ACM SIGMOD International Conference on Management of Data, pp.71-79, 1995.
  12. F. V. Alejandro and M. David, "Guarantees on nearest-neighbor condensation heuristics," Computational Geometry, Vol.95, No.1, pp.101732, 2021. https://doi.org/10.1016/j.comgeo.2020.101732
  13. P. E. Danielsson, "Euclidean distance mapping," Computer Graphics and Image Processing, Vol.14, No.3, pp.227-248, 1980. https://doi.org/10.1016/0146-664x(80)90054-4
  14. T. Bellitto, A. Pecher, and A. Sedillot, "On the density of sets of the Euclidean plane avoiding distance 1," Discrete Mathematics & Theoretical Computer Science, Vol.23, No.1, 2021.
  15. R. Weber, H. J. Schek, and S. Blott, "A quantitative analysis and performance study for similarity-search methods in high-dimensional spaces," Proceedings of the 24th VLDB Conference New York, USA, pp.194-205, 1998.