语义查询不再丢掉旧标签：把历史答案当视图排序，新查询省下28%到45%的模型调用

语义过滤的调用成本可以降下来，而且精度和召回目标仍然按概率得到保证。 此前的做法二选一：信任廉价代理的级联在30.8%到65.4%的查询上错过目标，而带有限样本保证的方法在代理较弱时只省下2%到10%的调用。 在四个工作负载、725,000条已记录的模型标签上回放，SemViews在99.63%的查询上同时达到精度与召回目标，唯一具有同类保证的先前方法需要1.32到1.71倍的调用。

旧查询留下的标签被当作语义视图，用来给新谓词的元组排序，而不是直接当作答案。 相似缓存和基于蕴含的复用把谓词之间的关系当作确定的，一旦命中就直接返回旧答案。 在四个谓词池上，大模型判定的蕴含关系有56%在真实标签上被超过10%的前件正例违反；相似缓存在命中时100%错过目标，SemWeave在6.2%到67.8%的查询上错过目标。

排序与认证被分开：免费信号只决定先看哪些元组，只有新抽的模型标签进入置信界。 逐查询优化器对整个关系抽样来估计阈值质量，并把当前谓词的每个标签都付费。 认证从固定区域中不放回抽样，用精确超几何界；在四个数据集上SemViews的错过率不超过0.7%，而更便宜的每个方法至少在32.4%的查询上错过目标。

同一个问题换种说法再问时，旧视图仍能省下调用。 改写后的谓词与原谓词在76%到99.8%的元组上一致，但两个正例集合的重叠只有0.57到0.95。 在改写工作负载上SemViews只需精确评估47%到53%的调用，比不用视图少27%到36%，错过率不超过0.2%，而相似缓存和SemWeave在53%到83%的这类查询上错过目标。

研究范围是文本上的语义过滤，连接、排序和多模态数据不在其中。实验关系为5,000个元组，另用100,000元组的真实关系验证趋势；每个工作负载按随机顺序发出一个谓词池的全部谓词，其中两个池由分类体系生成。想接着做的人可以关注语义连接与排序上的认证复用，以及真实分析会话多久会重问同一个问题。

保证是逐查询的，工作负载整体的错过率由集中不等式约束，而不是逐条确定。认证存在一个与谓词选择率有关、与关系大小无关的下限：选择率不超过2%的谓词要花掉精确评估80%的调用。视图带来的收益取决于工作负载里谓词的相关程度，GoEmotions这类由分类体系生成的池可能偏乐观，而人工撰写的PubMed池收益很小。两个用于固定超参数的数据集没有完全留出。