Saltearse al contenido

LDBC SNB Interactive — IC01–IC12

NamiDB apunta a las 12 queries de Complex Read en scope del workload LDBC Social Network Benchmark — Interactive. Las doce parsean, planifican y se ejecutan de punta a punta en el motor v0.3.

Referencia rápida

#	Nombre	Pattern
IC01	Amigos con un nombre dado	Traversal `KNOWS` de 1–3 hops
IC02	Mensajes recientes de amigos	`KNOWS` + `POST` + ORDER BY
IC03	Amigos y amigos-de-amigos en países X e Y	2-hop + filtro
IC04	Topics nuevos	agregación de tags sobre una ventana
IC05	Grupos nuevos	ventana de membresía en foros
IC06	Co-ocurrencia de tags	edge join + group by
IC07	Likers recientes	`LIKES` + recencia
IC08	Replies recientes	traversal `REPLY_OF`
IC09	Mensajes recientes de amigos y FoF	`KNOWS` de 1–2 hops + posts
IC10	Recomendación de amigos	similitud 2-hop
IC11	Referidos laborales de amigos	`KNOWS` + `WORKS_AT`
IC12	Búsqueda de expertos	`KNOWS` + intersección de tags

IC01 — Encontrar amigos con un nombre dado

MATCH (p:Person {_id: $personId})-[:KNOWS*1..3]-(friend:Person {firstName: $name})
WHERE friend._id <> $personId
RETURN
  friend._id           AS friendId,
  friend.lastName      AS friendLastName,
  length(path)         AS distance
ORDER BY distance ASC, friendLastName ASC, friendId ASC
LIMIT 20

IC02 — Mensajes recientes de amigos

MATCH (p:Person {_id: $personId})-[:KNOWS]-(friend)
MATCH (friend)<-[:HAS_CREATOR]-(message)
WHERE message.creationDate <= $maxDate
RETURN
  friend._id          AS friendId,
  friend.firstName    AS firstName,
  message._id         AS messageId,
  message.content     AS content,
  message.creationDate AS creationDate
ORDER BY creationDate DESC, messageId ASC
LIMIT 20

(IC03–IC12 en el bench harness)

Los textos completos de las queries canónicas viven en crates/namidb-query/tests/fixtures/ en el repo del motor. El bench harness en bench/ corre las doce contra un dataset sintético e imprime una comparación contra Kùzu.

Correr el bench localmente

git clone https://github.com/namidb/namidb.git
cd namidb/bench
python kuzu_runner.py        # generar dataset
cargo run --release -p namidb-bench

Ver bench/README.md para la receta completa de reproducción.

Ver también