RAM：用检索增强建模突破关系数据库图结构局限

关系数据库中的多表归一化结构给深度神经网络带来挑战，现有方法依赖模式定义图，忽略元组属性中的隐式语义且连接僵化。本文提出检索增强建模（RAM）框架，将元组属性视为token，用随机游走构建上下文文档，通过信息检索估计语义相关性。在此基础上引入两种检索增强：ATRA利用表内相关性做对比学习，ETRA跨表链接语义相关元组增强图连通性。模型采用属性嵌入、特征融合和图聚合的分层架构。在五个真实关系数据库上，RAM在多种预测任务中一致超越现有基线。