破解三大數(shù)據(jù)庫AI難題！北大＆亞馬遜推出全球首個圖中心RDB基礎模型

衡宇 2025-06-15 12:35:29 來源：量子位

Griffin團隊 投稿

量子位 | 公眾號 QbitAI

在企業(yè)系統(tǒng)和科學研究中普遍存在、結構復雜的關系型數(shù)據(jù)庫（Relational DataBase, RDB）場景中，基礎模型的探索仍處于早期階段。

這是因為RDB中的多表交互和異質特征，使傳統(tǒng)通用大模型在此類結構化環(huán)境下難以直接發(fā)揮效能。

基于此，北京大學張牧涵團隊聯(lián)合亞馬遜云科技共同提出了Griffin：一個具有開創(chuàng)性的、以圖為中心的RDB基礎模型。

Griffin將RDB視為動態(tài)異質圖進行建模與推理，通過在超過1.5億行的表格數(shù)據(jù)上進行預訓練和監(jiān)督微調，構建了一個具備可遷移性與強泛化能力的基礎模型，相關成果已被國際頂級會議ICML 2025正式接收。

挑戰(zhàn)：復雜的表間關系及豐富的表內語義信息

關系數(shù)據(jù)庫通過明確的模式（Schema）定義數(shù)據(jù)結構，廣泛服務于金融、電商、科研、物流、政府信息系統(tǒng)等關鍵領域，是現(xiàn)代信息社會的核心數(shù)字基礎設施。

根據(jù)市場預測，到2028年全球數(shù)據(jù)庫管理系統(tǒng)（DBMS）市場將超過1330億美元。

然而，RDB智能建模所面臨的挑戰(zhàn)極為復雜，集中體現(xiàn)在以下三方面：

• 拓撲結構高度復雜
• 數(shù)據(jù)以多表形式存儲，并通過主鍵外鍵等約束關系構成復雜的圖結構，傳統(tǒng)單表范式難以捕捉全局上下文。
• 特征高度異構
• 表內字段涵蓋文本、數(shù)值、類別、時間序列等多種類型，信息表現(xiàn)形態(tài)各異，模型需具備統(tǒng)一表征能力。
• 深層次語義關系
• 表內外存在豐富的顯性與隱性邏輯關系，對模型的關系理解和推理能力構成巨大挑戰(zhàn)。

上圖展示了一個典型的RDB，綠色的Purchase Table記錄了交易數(shù)據(jù)（每一行包括用戶ID、購買的商品ID、用戶對商品的評分、以及購買日期）。而每一行又可通過User ID這一外鍵鏈接到User Table里的對應行，或通過Item ID這一外鍵鏈接到Product Table里的對應行，來獲取用戶或商品的特定信息。

相比普通表格（單表）數(shù)據(jù)，RDB往往具有非常復雜的表間關系以及豐富的表內語義信息，對建模和基礎模型訓練提出了挑戰(zhàn)。同時，社區(qū)長期缺乏能真實反映生產場景的標準化基準。

諸如4DBInfer(arXiv:2404.18209)等數(shù)據(jù)集正緩慢填補空白，為新模型（包括Griffin）提供了統(tǒng)一的評測土壤。

方法：以圖為中心的數(shù)據(jù)庫建模

Griffin的核心思想是將關系型數(shù)據(jù)庫整體抽象為時序異質圖，再在此圖上進行統(tǒng)一的編碼、消息傳遞和解碼，以此捕捉跨表、跨時間的深層依賴。具體來說，它的創(chuàng)新設計可以拆解為以下幾點:

RDB的數(shù)據(jù)建模：結構化圖表示與時序感知

首先，Griffin把每張數(shù)據(jù)表中的一行記錄映射為圖中的一個節(jié)點，而主鍵-外鍵（PK-FK）約束被建模為帶類型的有向邊。這樣，原本分散在多張表中的記錄就組成了一張異質圖，其節(jié)點/邊類型天然反映了模式信息。

為了避免未來信息泄漏并符合生產預測任務的因果約束，模型在訓練和推理時會圍繞目標節(jié)點采樣“局部時序子圖”：僅納入時間戳早于目標節(jié)點的鄰域。

該采樣流程借鑒了4DBInfer等基準的成熟做法，可在保證效率的同時顯式注入時間方向。

統(tǒng)一數(shù)據(jù)編碼器：異構信息的規(guī)范化表征

RDB中既包含文本/類別字段，也有數(shù)值、時間序列等多模態(tài)特征。Griffin設計了一套統(tǒng)一編碼機制，把不同類型轉換為同一語義空間中的向量：

• 類別&文本：先將類別值映射為其自然語言描述，再同原生文本一起輸入經過預訓練的文本編碼器（如Nomic Embeddings），得到語義豐富的高維嵌入。
• 數(shù)值：歸一化后的數(shù)值輸入給預訓練的浮點編碼器（ENC）。ENC與其配對的解碼器DEC通過聯(lián)合重構任務訓練：編碼后必須能夠無損地解碼回原始浮點值，重構誤差被最小化后這兩個組件參數(shù)即被凍結。
• 元數(shù)據(jù)&任務上下文：表名、列名以及邊類型被同樣送入文本編碼器；同時，根據(jù)當前預測目標列名生成的任務描述會在后續(xù)所有層次參與注意力計算，指導模型聚焦目標。

經過上述步驟，原始多態(tài)信息被規(guī)范化為一組高語義的向量，為后續(xù)圖消息傳遞奠定基礎。

先進MPNN架構：深度關系推理網(wǎng)絡

統(tǒng)一編碼后的圖被送入Griffin定制的Message Passing Neural Network (MPNN)，其核心由兩個互補模塊構成：

交叉注意力（Cross-Attention）列內聚合：對每個節(jié)點，模型利用當前節(jié)點嵌入和任務嵌入生成查詢向量，與列元數(shù)據(jù)和列特征進行交互，動態(tài)評估不同列對當前任務的重要性并加權聚合。該設計天然滿足列置換不變性，且可處理列數(shù)可變的表。

層級聚合（Hierarchical Aggregation）跨表推理：在消息傳遞的每一層，先對同一邊類型的鄰居消息做均值聚合，再在不同邊類型間做最大池化。這種兩階段層級策略提升了模型在處理具有復雜拓撲結構和多變鄰居數(shù)量的表間關聯(lián)時的穩(wěn)定性。

通過多層迭代，MPNN能夠捕獲從近鄰到遠程的復合依賴，為下游任務提供信息豐富的節(jié)點表征。

統(tǒng)一任務解碼器：多任務輸出的一體化方案

MPNN輸出的節(jié)點向量隨后進入統(tǒng)一解碼器，使Griffin能夠在不改動架構的前提下同時處理多種預測任務。

分類任務：把候選類別標簽本身的文本嵌入當作可學習的動態(tài)分類頭，與節(jié)點向量做內積得到概率分布,能夠拓展到可變類比數(shù)量的任務。

回歸任務：直接將節(jié)點向量輸入預訓練DEC，反解得到最終的預測數(shù)值。

訓練：三階段優(yōu)化方案

Griffin通過“自監(jiān)督預訓練→聯(lián)合監(jiān)督微調→下游任務微調”的三級管線，逐步注入從通用表格語義到特定RDB任務知識的能力層次。

第一階段：補全預訓練(Completion Pretraining)

Griffin首先在海量且多樣化的單表數(shù)據(jù)集上進行自監(jiān)督學習，任務形式類似“完形填空”。模型根據(jù)一行數(shù)據(jù)中已知列信息來預測被遮蔽單元的嵌入表示，并最小化預測嵌入與真實嵌入間的余弦距離，從而建立對表格結構與語義的基礎理解。

第二階段：聯(lián)合監(jiān)督微調(Joint Supervised Fine-Tuning, SFT)

在完成自監(jiān)督預訓練后，Griffin使用單表任務或RDB任務的數(shù)據(jù)集進行監(jiān)督微調，使模型進一步貼合真實場景中的預測需求與數(shù)據(jù)特性。

第三階段：下游任務微調(Downstream Task Fine-Tuning)

最后，經過預訓練和SFT的Griffin會針對具體下游RDB基準任務進行精細化微調，以在特定應用場景中取得最佳性能。

驗證：三階段訓練的優(yōu)越性

為全面評估各訓練階段對模型性能的具體貢獻，對Griffin的三個關鍵變體進行深入分析：Griffin-unpretrained（僅采用Griffin的基礎架構，未經任何預訓練）、Griffin-pretrained（僅進行單表預訓練及單表SFT）以及Griffin-RDB-SFT（經歷完整的三階段訓練流程）。

上圖比較了四個 GNN 基線模型、四個使用 DFS 的單表基線模型以及兩個 Griffin 變體的性能，每個模型均在單個任務上進行了微調。

最左側的子圖展示了所有任務上的平均排名，其余子圖按評估指標對任務進行分組，結果相應地進行了平均。

通過系統(tǒng)實驗驗證了Griffin在架構設計和預訓練策略上的有效性，發(fā)現(xiàn)Griffin在多個RDB基準測試（如4DBInfer和RelBench）中表現(xiàn)優(yōu)異，并進一步分析了其在少樣本場景下的跨任務遷移能力與數(shù)據(jù)領域間關系的影響。

Griffin的核心優(yōu)勢可歸納為以下三點：

1.強大的基礎架構性能

即便完全未預訓練（Griffin-unpretrained），憑借統(tǒng)一編碼、交叉注意力和層級化MPNN等設計，模型在各下游RDB任務微調后的表現(xiàn)仍優(yōu)于GNN基線方法及結合深度特征合成（DFS）的傳統(tǒng)單表模型，體現(xiàn)了架構本身的先進性。

2.單表預訓練的普適性增益

僅在大規(guī)模、多樣化單表數(shù)據(jù)上完成預訓練的Griffin-pretrained，相較未預訓練版本取得性能提升，驗證單表場景中學習到的知識可遷移至復雜的RDB任務，增強模型泛化能力。

3.RDB-SFT驅動的遷移

當進一步在針對性RDB數(shù)據(jù)上進行監(jiān)督微調（Griffin-RDB-SFT）后，模型在一定情況下展現(xiàn)出跨任務遷移能力，尤其在小樣本場景下更為突出，取決于以下2個因素：

• 數(shù)據(jù)相似性：SFT數(shù)據(jù)與目標任務領域具有較高相似性（例如，同為電商領域的跨任務遷移），模型性能將獲得提升；
• 數(shù)據(jù)多樣性：在更多樣化的SFT數(shù)據(jù)上訓練（例如，使用包含體育、社交、醫(yī)療等多個其他領域的混合數(shù)據(jù)進行SFT，再遷移至電商領域任務），同樣能有效提升模型性能。

論文鏈接：https://arxiv.org/abs/2505.05568
代碼鏈接：https://github.com/yanxwb/griffin