点击蓝字，关注我们一、个人背景
二、项目贡献经历
1. 课题介绍：技术目标和现实意义
技术目标：基于开源图数据库 MiniGU，旨在探索并落地 Factorization（因式分解）优化技术，以提升复杂图查询的执行效率。
现实意义：在传统查询模型中，图遍历和聚合操作常伴随指数级数据膨胀。这个项目的实现将：
带来优化新路径：因式分解模型通过共享公共子表达式和紧凑数据结构，实现了轻量级、高效的数据流表示，为MiniGU 带来了新的优化路径。
显著降低开销：该技术通过减少中间结果的冗余计算与存储，显著降低查询的时间与空间开销，具有重要的现实意义。
应用场景：可应用于社交网络分析、推荐系统和知识图谱等高性能图计算场景。
2. 项目挑战及解决方案
具体难点：MiniGU 原有的执行算子都以扁平化的 DataChunk 作为输入输出，而 Factorization 模型则引入了层次化的数据结构 ResultSet。
解决方案：为了让两种执行模型协同工作，我设计并实现了一个转换算子，它在查询计划中充当执行模型的“适配器”角色。此外，在实现 FactorizedExpand 和 FactorizedSimpleAggregate 等算子时，也遇到了一系列算法层面的挑战。例如，如何在不完全展开笛卡尔积的情况下完成 COUNT 与 SUM 计算。为此，我通过计算重数的方式，将聚合逻辑转移到紧凑的结构上，兼顾了正确性与性能。
3. 个人收获与成长
信心提升：此次开源项目以核心开发者身份参与到开源图数据库的体系性优化中，通过与戚仕鹏导师和社区成员保持积极协作，获得反馈与指导。这段经历不仅提升了 Factorization 优化的理解，也增强了我在数据库方向继续深耕的信心。
恰逢今天是吴同学的生日，谨以此文顺祝生日快乐！（已获寿星授权～）GitHub 仓库：https://github.com/TuGraph-family 贡献指南：https://github.com/TuGraph-family/tugraph-db/blob/master/community/CONTRIBUTING.md TuGraph 技术交流群：
欢迎关注TuGraph代码仓库✨
https://github.com/tugraph-family/tugraph-db
