如何编写SPARQL查询以高效地匹配字符串文字，同时忽略大小写

Question

我正在使用Jena ARQ编写一个针对从Jena TDB读取的大型本体的SPARQL查询，以便根据rdfs标签查找与概念相关联的类型。

SELECT DISTINCT ?type WHERE {
 ?x <http://www.w3.org/2000/01/rdf-schema#label> "aspirin" .
 ?x <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> ?type .
}

这个方法运行得很好，速度也相当快（小于1秒）。不幸的是，对于某些术语，我需要以不区分大小写的方式执行此查询。例如，由于本体中存在标签 "Tylenol"，但不存在 "tylenol"，因此以下查询结果为空：

SELECT DISTINCT ?type WHERE {
 ?x <http://www.w3.org/2000/01/rdf-schema#label> "tylenol" .
 ?x <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> ?type .
}

我可以使用FILTER语法编写一个不区分大小写的版本的查询，例如：

SELECT DISTINCT ?type WHERE {
 ?x <http://www.w3.org/2000/01/rdf-schema#label> ?term .
 ?x <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> ?type .
 FILTER ( regex (str(?term), "tylenol", "i") )
}

现在查询需要超过一分钟才能完成! 有没有更有效的方法编写不区分大小写的查询?

- lmsurprenant

---

你没有说你在使用哪个软件。许多RDF存储有文本索引选项，比regex()更适合文本搜索。 - Steve Harris

@SteveHarris 我更新了问题，包括我正在使用的技术。我最初希望只是错过了一些SPARQL功能，但现在我认为我需要像你建议的那样调查文本索引选项，所以谢谢你的提示。 - lmsurprenant

Answer 1

在SPARQL中，你可以使用各种字符串操作符，但regex可能是最耗费资源的操作符之一。如果你避免使用regex并且在测试的两边使用UCASE或LCASE，你的查询可能会更快。例如：

SELECT DISTINCT ?type WHERE {
 ?x <http://www.w3.org/2000/01/rdf-schema#label> ?term .
 ?x <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> ?type .
 FILTER (lcase(str(?term)) = "tylenol")
}

这可能会更快，但通常不要指望三元存储与任何文本搜索有很好的性能。三元存储在图匹配方面非常出色，但在字符串匹配方面表现不佳。

- Manuel Salvadores

---

它可能会稍微快一些，但仍然比非过滤版本慢了几个数量级。感谢周到的回复，但我可能需要研究一下字符串索引选项。 - lmsurprenant

当我看到这个问题时，这正是我在寻找的答案。通过规范化字符串（通过小写）并进行检查，应该比正则表达式查询快得多。+1。 - Joshua Taylor

Answer 2

FILTER查询运行较慢的原因是因为?term未绑定，需要扫描PSO或POS索引以查找所有带有rdfs:label谓词的语句，并针对正则表达式进行过滤。当它绑定到具体资源时（在您的第一个示例中），它可以使用OPS或POS索引仅扫描具有rdfs:label谓词和指定对象资源的语句，这将具有更低的基数。

此类文本搜索问题的常见解决方案是使用外部文本索引。在这种情况下，Jena提供了一个名为LARQ的免费文本索引，它使用Lucene执行搜索并将结果与查询的其余部分连接起来。

- sallen

---

这个答案是正确的，但它并没有提供最简单的答案来回答OP的问题“有没有更有效的方法来编写不区分大小写的查询？” msalvadores的答案表明，有一种比regex更有效的方法。 - Joshua Taylor