数据模型中的链接理论

连接理论：从关系代数到二元组网络

连接理论提供了一种统一的数据表示方法，其基本元素是连接——一个指向其他连接的n元组引用。这种映射被定义为 \(R \to R^2\)，其中R是引用集合。这样的基础允许对结构进行建模，而无需单独的节点或表实体。

与依赖关系作为域笛卡尔积子集 \(R \subseteq S_1 \times S_2 \times \dots \times S_n\) 的关系模型不同，连接理论消除了对具有固定顺序的n元组的需求。数据仅通过连接进行分组，简化了递归定义。

图模型使用顶点V和边 \(E \subseteq V \times V\)。在这里，顶点等同于闭合连接，边是引用的二元组。连接理论将所有内容简化为一种对象类型，最大限度地减少了重复。

关键模型比较

考虑三种方法：

• 关系代数：表作为n元组的集合。局限性：固定列数（通常<32），人为的属性顺序。
• 有向图：两个集合——V（顶点）和E（边）。问题：建模序列时存在重复，链的去重复杂。
• 连接理论：仅连接-二元组。网络：\(N^2: R \to R \times R\)。

| 模型 | 基本实体 | 序列表示 | 统一级别 |

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

| 关系型 | 关系（n元组） | 通过元组直接表示 | 低 |

| 图型 | 顶点 + 边 | 链（存在重复） | 中 |

| 连接型 | 连接（二元组） | 递归连接 | 高 |

西蒙·威廉姆斯的关联模型不断发展：从项目/链接表到统一的三元组或二元组表。

二元组作为网络基础

连接-二元组是一个有序的引用对，指向具有自身引用的连接。对于引用集合R，可能的二元组形成笛卡尔积 \(R \times R\)。

以R = {1, 2}为例：

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

这在一个2元素网络中产生了4种可能的连接。笛卡尔积矩阵可视化所有组合：行和列是引用，单元格是二元组。

连接-二元组的网络通过映射 \(N^2: R \to R \times R\) 形式化，其中每个引用被映射到一个引用对。递归允许构建任意结构，而无需外部数据类型。

图顶点被转换为自连接(1,1)，有向边转换为(a,b)，无向边转换为对(a,b)和(b,a)。这消除了单独的集合V。

对开发者的优势

连接理论面向机器数据表示，接近大脑的关联过程。关键方面：

• 普适性：一种实体适用于所有结构——从图到表。
• 无需引用的递归：在集合论中，引用模仿递归；在纯理论中，它们是自然出现的。
• 存储效率：单个二元组表代替多个表或集合。
• 可扩展性：对元数（n元组中的n）无限制。
• AI兼容性：直接为神经网络建模关联。

对于数据库实现：将二元组存储为(id, source_ref, target_ref)，按引用索引以便遍历。

关键要点

• 理论简化为 \(R \to R^2\)：所有结构都是引用二元组的结果。
• 关联模型的简化：从两个表到一个表。
• 顶点 = 自连接；边 = 二元组；表 = 连接集合的投影。
• 基础理论中无需外部引用的递归定义。
• 适用于AI：数据作为无层级的关联网络。

— Editorial Team