杨凌林关于子图查询的学习型优化器的论文《NeuSO: Neural Optimizer for Subgraph Queries》的论文被 SIGMOD 2026 接收。

子图查询是图分析中的一项关键任务，在多个领域具有广泛应用。现有的大多数方法依赖于启发式的顶点匹配顺序，但在某些查询中可能会严重降低执行性能。尽管基于学习的优化器近年来在关系型数据库中受到广泛关注，但它们无法直接应用于子图查询。在本研究中，我们提出了 NeuSO，一种新的基于学习的子图查询优化器，能够兼顾高精度和高效率。NeuSO 包含高效的查询图编码器和估计器，并采用多任务框架进行训练，从而同时预测子查询基数与执行代价。在此基础上，NeuSO 使用自顶向下的计划枚举器生成高质量的子图查询执行计划。在多个数据集上的实验结果表明，NeuSO 在性能和效率方面均优于现有的子图查询匹配顺序方法。