데이터 모델에서의 링크 이론

연결 이론: 관계 대수에서 듀플렛 네트워크까지

연결 이론은 데이터 표현에 대한 통합적 접근법을 제공하며, 기본 요소는 연결입니다. 연결은 다른 연결들을 참조하는 n-튜플입니다. 이 매핑은 \(R \to R^2\)로 정의되며, 여기서 R은 참조의 집합입니다. 이러한 기초는 노드나 테이블을 위한 별도의 개체 없이 구조를 모델링할 수 있게 합니다.

도메인의 카테시안 곱의 부분집합으로서 관계에 의존하는 관계형 모델 \(R \subseteq S_1 \times S_2 \times \dots \times S_n\)과 달리, 연결 이론은 고정된 순서를 가진 n-튜플의 필요성을 제거합니다. 데이터는 오직 연결을 통해서만 그룹화되며, 재귀적 정의를 단순화합니다.

그래프 모델은 정점 V와 간선 \(E \subseteq V \times V\)를 사용합니다. 여기서 정점은 닫힌 연결과 동등하며, 간선은 참조의 듀플렛입니다. 연결 이론은 모든 것을 하나의 객체 유형으로 축소하여 중복을 최소화합니다.

주요 모델 비교

세 가지 접근법을 고려해 보세요:

• 관계 대수: n-튜플의 집합으로서의 테이블. 한계: 고정된 열 수(종종 <32), 인위적인 속성 순서.
• 방향 그래프: 두 집합—V(정점)와 E(간선). 문제점: 시퀀스 모델링 시 중복, 체인의 복잡한 중복 제거.
• 연결 이론: 오직 연결-듀플렛. 네트워크: \(N^2: R \to R \times R\).

| 모델 | 기본 개체 | 시퀀스 표현 | 통합 수준 |

|--------|------------------|----------------------------------|-------------------|

| 관계형 | 관계 (n-튜플) | 튜플을 통한 직접 표현 | 낮음 |

| 그래프 | 정점 + 간선 | 체인 (중복 포함) | 중간 |

| 연결 | 연결 (듀플렛) | 재귀적 연결 | 높음 |

사이먼 윌리엄스의 연관 모델은 진화했습니다: 항목/링크 테이블에서 트리플렛 또는 듀플렛의 통합 테이블로.

네트워크 기초로서의 듀플렛

연결-듀플렛은 자체 참조를 가진 연결에 대한 참조의 순서쌍입니다. 참조의 집합 R에 대해, 가능한 듀플렛은 카테시안 곱 \(R \times R\)을 형성합니다.

R = {1, 2}에 대한 예시:

R × R = {
  (1, 1),
  (1, 2),
  (2, 1),
  (2, 2),
}

이는 2개 요소의 네트워크에서 4개의 가능한 연결을 제공합니다. 카테시안 곱 행렬은 모든 조합을 시각화합니다: 행과 열은 참조이며, 셀은 듀플렛입니다.

연결-듀플렛의 네트워크는 매핑 \(N^2: R \to R \times R\)에 의해 형식화되며, 여기서 각 참조는 한 쌍의 참조에 매핑됩니다. 재귀는 외부 데이터 유형 없이 임의의 구조를 구축할 수 있게 합니다.

그래프 정점은 자기 연결 (1,1)로 변환되고, 방향 간선은 (a,b)로, 무방향 간선은 쌍 (a,b)와 (b,a)로 변환됩니다. 이는 별도의 집합 V를 제거합니다.

개발자를 위한 장점

연결 이론은 기계 데이터 표현에 맞춰져 있으며, 뇌의 연관 과정에 가깝습니다. 주요 측면:

• 보편성: 그래프부터 테이블까지 모든 구조를 위한 하나의 개체.
• 참조 없는 재귀: 집합 이론에서 참조는 재귀를 모방하지만, 순수 이론에서는 자연 발생적입니다.
• 저장 효율성: 여러 테이블이나 집합 대신 단일 듀플렛 테이블.
• 확장성: 차수(n-튜플에서의 n)에 제한 없음.
• AI 호환성: 신경망을 위한 연관의 직접 모델링.

데이터베이스 구현을 위해: 듀플렛을 (id, source_ref, target_ref)로 저장하고, 참조별로 색인하여 순회합니다.

핵심 요약

• 이론은 \(R \to R^2\)로 축소됩니다: 모든 구조는 참조의 듀플렛의 결과입니다.
• 연관 모델의 단순화: 두 테이블에서 하나로.
• 정점 = 자기 연결; 간선 = 듀플렛; 테이블 = 연결 집합의 투영.
• 기본 이론에서 외부 참조 없이 재귀적 정의.
• AI에 적합: 계층 구조 없이 연관의 네트워크로서의 데이터.

— Editorial Team