这篇paper值得关注的点在于如何将传统CS和深度学习结合，以及如何自动/手动挑选feature.
在数据库管理系统中，query performance prediction是一个长期以来没能很好解决的问题。需要考虑的因素有：
数据库接收的指令如何优化，优化后执行树的结构，指令能否并行 相关指令涉及的数据量大小，operator类型 实际系统中网络、IO等“环境变量”的影响 本文考虑的情景主要解决了第二点和第一点的部分。
Motivation: 现有的优化工具可以将复杂的指令转化成一棵执行树。那么如果对这棵树上的每个节点，用一个neural unit（其实就是一个小网络）进行建模，利用这些小网络来预测相应节点的latency，那么根节点的输出岂不就是系统整体的延迟。
这从本质上来说并没有什么复杂的原理，无非是把DL/NLP里面针对树结构的方法搬到QPP上。
Isomorphic to the structure of the execution plan： 将DNN的基本单元设置为Neural Unit，对应每种operation; 对于每一个execution plan，搭建一个同构的树状网络
Heterogeneous tree nodes: 每种operator含有的property的数量、类型是不同的。比如join操作可能有9个property，filter操作可能有7个另外的feature，如果把所有的property都汇集到一起作为operator的表示，会产生sparsity的问题
Input feature vector: 可能的child节点信息和operator feature信息，后者可通过DBMS的optimizer的API获取，比如operator类型、需要多少次I/O等。相同类型的operator会得到size相同的vector，但具体数值可能不同，计作a ⃗, A表示operator的类型。