图中心数据库预测建模基准工具

关系型数据库（RDB）在多个互连表中存储大量结构化数据。这些丰富的关系信息对预测性机器学习具有巨大潜力。然而，目前RDB预测模型的进展落后于计算机视觉或自然语言处理等其他领域。一个关键原因是缺乏用于模型训练和评估的成熟、公开可用的RDB基准。

现有的RDB预测模型通常使用单表数据集或从预处理关系数据导出的图数据集。然而，这些方法不能完全捕捉RDB的原生多表结构和特性，可能限制模型性能。

为填补这一空白，某中心的上海实验室开发了4DBInfer，这是一个全面的开源基准测试工具，用于在RDB上进行以图为中心的预测建模。4DBInfer支持在四个关键维度上系统比较不同的基线模型：（1）RDB数据集，（2）预测任务，（3）RDB到图的提取方法，以及（4）基于图的预测架构。这种四维设计有助于对RDB预测分析的模型设计空间进行彻底探索。

4DBInfer的核心组件

RDB数据集和任务：策划了一套涵盖电子商务、广告和社交网络等现实应用领域的RDB基准。这些数据集在规模（高达数十亿行）、模式复杂性和时间演化方面表现出多样特性。为每个数据集定义了实际相关的预测任务，例如估计缺失的单元格值。

RDB到图提取：4DBInfer支持多种将RDB转换为图表示的策略，同时保留丰富的表格信息。Row2Node方法将每个表行视为图节点，外键关系形成边。Row2N/E方法选择性地将某些行转换为边，以捕捉更细致的关系结构。4DBInfer还引入了“虚拟表”来丰富图连接性。

基于图的预测模型：实现了一系列强大的基于图学习的基线架构，涵盖早期和晚期特征融合范式。包括基于关系消息传递学习节点嵌入的图神经网络（GNN），以及先使用深度特征合成（DFS）等技术从图中提取表格特征，再应用经典机器学习预测器的模型。

实验发现

使用4DBInfer进行的广泛实验得出几个关键见解：

• 使用基于图的模型利用完整的多表RDB结构通常比使用单表或简单表连接模型产生更好结果，突显了关系信息的价值。
• RDB到图提取策略的选择显著影响模型性能，强调了灵活探索此设计空间的重要性。
• 具有早期特征融合的图模型（例如GNN）往往整体上优于晚期融合方法，但后者在某些场景下仍然具有竞争力，特别是在计算约束下。
• 模型性能表现出数据集和任务特定的变化，强调需要多样化的基准来确保可靠结论。

通过4DBInfer，旨在通过提供一个统一的、完全开源的框架来加速RDB的图中心预测建模研究。相信这项工作将使社区能够开发有效利用关系数据进行预测任务的新方法。令人兴奋的是，实验表明最成功的解决方案可能出现在表格和图机器学习范式的交叉点——这是一个有待进一步探索的成熟领域。