摘要:基数估计和代价估计可以引导执行计划的选择，估计准确性对查询优化器至关重要.然而，传统数据库的代价和基数估计技术无法提供准确的估计，因为现有技术没有考虑多个表之间的相关性.将人工智能技术应用于数据库（artificial intelligence for databases，AI4DB）近期得到广泛关注，研究结果表明，基于学习的估计方法优于传统方法.然而，现有基于学习的方法仍然存在不足：首先，大部分的方法只能估计基数，但忽略了代价估计；其次，这些方法只能处理一些简单的查询语句，对于多表查询、嵌套查询等复杂查询则无能为力；同时，对字符串类型的值也很难处理.为了解决上述问题，提出了一种基于树型门控循环单元，Tree-GRU （tree-gated recurrent unit）的基数和代价估计方法，可以同时对基数和代价进行估计.此外，采用了有效的特征提取和编码技术，在特征提取中兼顾查询和执行计划，将特征嵌入到Tree-GRU中.对于字符串类型的值，使用神经网络自动提取子串与整串的关系，并进行字符串嵌入，从而使具有稀疏性的字符串变得容易被估计器处理.在JOB、Synthetic等数据集上进行了大量实验，实验结果表明，所提模型的各方面性能优于主流算法.