一種支持自由擴(kuò)展的跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建方法

，，，

作為描述數(shù)據(jù)模型的數(shù)據(jù)，元數(shù)據(jù)對數(shù)據(jù)資源的內(nèi)容、結(jié)構(gòu)、價值、使用等各維度進(jìn)行規(guī)范，日益成為數(shù)據(jù)資源共享的重要組織方式[1-2]。針對不同領(lǐng)域、不同類型的數(shù)據(jù)資源，眾多組織和學(xué)者給出了不同的元數(shù)據(jù)標(biāo)準(zhǔn)或框架[3-5]，用以描述領(lǐng)域數(shù)據(jù)資源的核心特征。然而，這些標(biāo)準(zhǔn)僅提供了領(lǐng)域數(shù)據(jù)資源的簡單“核心元數(shù)據(jù)”，難以滿足不斷擴(kuò)展的數(shù)據(jù)資源，尤其是跨領(lǐng)域數(shù)據(jù)資源集合的描述需求。

針對此問題，相關(guān)學(xué)者給出了支持?jǐn)U展數(shù)據(jù)資源描述的元數(shù)據(jù)標(biāo)準(zhǔn)或框架的構(gòu)建方法。Michael Heaney提出了“集合分析模型”，用以描述數(shù)據(jù)資源集合中實(shí)體及關(guān)系邏輯[6]；Hunter等提出一種基于RDF Schema和XML Schema的元數(shù)據(jù)互操作方案[7]，基于RDF模型的數(shù)據(jù)資源描述得到了廣泛應(yīng)用；針對不同領(lǐng)域數(shù)據(jù)資源擴(kuò)展描述，國內(nèi)多位學(xué)者給出了多種元數(shù)據(jù)可擴(kuò)展及互操作的設(shè)計(jì)方法[8-11]，以解決特定領(lǐng)域數(shù)據(jù)資源的元數(shù)據(jù)擴(kuò)展及互操作問題?？梢姮F(xiàn)有支撐擴(kuò)展數(shù)據(jù)資源描述的元數(shù)據(jù)構(gòu)建方法，大都面向特定領(lǐng)域數(shù)據(jù)資源的“靜態(tài)構(gòu)建”，即通過總結(jié)領(lǐng)域元數(shù)據(jù)特征進(jìn)行歸類，或構(gòu)建適用于用戶交互的元數(shù)據(jù)互操作框架。隨著數(shù)據(jù)資源的爆炸式增長[12]，以及跨領(lǐng)域生成抽象領(lǐng)域和特定領(lǐng)域的專業(yè)化細(xì)分，這些領(lǐng)域元數(shù)據(jù)構(gòu)建方法已不能適應(yīng)當(dāng)今日益增長的跨領(lǐng)域海量數(shù)據(jù)資源描述和訪問需求，因此亟需開展面向跨領(lǐng)域海量數(shù)據(jù)資源的元數(shù)據(jù)動態(tài)構(gòu)建方法研究。

為滿足用戶跨領(lǐng)域海量數(shù)據(jù)資源元數(shù)據(jù)構(gòu)建需求，本文提出了一種支持用戶自由擴(kuò)展的跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建方法，該方法基于“核心+擴(kuò)展”的元數(shù)據(jù)模型，支持用戶對領(lǐng)域數(shù)據(jù)資源的多元化進(jìn)行描述和定義，并通過自由擴(kuò)展元數(shù)據(jù)動態(tài)迭代生成可共用和互操作的跨領(lǐng)域核心元數(shù)據(jù)，進(jìn)而為用戶跨領(lǐng)域元數(shù)據(jù)構(gòu)建提供一種新的方法框架。

1 跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建模型

1.1 跨領(lǐng)域數(shù)據(jù)資源元數(shù)據(jù)結(jié)構(gòu)

首先構(gòu)建跨領(lǐng)域數(shù)據(jù)資源的概念模型。隨著數(shù)據(jù)資源集成需求日益深化，不同領(lǐng)域生成更大范圍的抽象領(lǐng)域，特定領(lǐng)域也衍生分化出更細(xì)分的子領(lǐng)域，據(jù)此得以構(gòu)建跨領(lǐng)域數(shù)據(jù)資源的概念模型(圖1)。

圖1 跨領(lǐng)域數(shù)據(jù)資源概念模型

在跨領(lǐng)域概念模型中，領(lǐng)域As由不同子領(lǐng)域A1,A2,A3,…,An構(gòu)成，這與實(shí)際如裝備論證等綜合領(lǐng)域數(shù)據(jù)資源的構(gòu)成情況相符。為方便描述，將跨領(lǐng)域As的數(shù)據(jù)資源亦記為As，根據(jù)模型有跨領(lǐng)域數(shù)據(jù)資源As={A1,A2,A3,…,An}，考慮到數(shù)據(jù)資源交叉重疊，跨領(lǐng)域數(shù)據(jù)資源As可進(jìn)一步表示為：As=∪{A1,A2,A3,…,An}。

為了支持用戶對數(shù)據(jù)資源的多元化描述，采用“核心元數(shù)據(jù)+擴(kuò)展元數(shù)據(jù)”結(jié)構(gòu)，將現(xiàn)有元數(shù)據(jù)靜態(tài)定義進(jìn)行擴(kuò)展，進(jìn)而構(gòu)建跨領(lǐng)域數(shù)據(jù)As的元數(shù)據(jù)Ms。

跨領(lǐng)域元數(shù)據(jù)Ms，由核心元數(shù)據(jù)Cs和擴(kuò)展元數(shù)據(jù)Ps兩部分構(gòu)成，表示如下：

Ms=Cs+Ps

(1)

其中，核心元數(shù)據(jù)Cs是各領(lǐng)域可共用和互操作的核心元數(shù)據(jù)，可描述各領(lǐng)域數(shù)據(jù)資源A1,A2,A3,…,An的共同特征；擴(kuò)展元數(shù)據(jù)Ps是各領(lǐng)域用戶自由定義的元數(shù)據(jù)，用戶通過自由定義擴(kuò)展元數(shù)據(jù)，可以更準(zhǔn)確描述領(lǐng)域數(shù)據(jù)資源的多樣化特征。

同理，各領(lǐng)域元數(shù)據(jù)M1,M2,M3,…,Mn也由核心元數(shù)據(jù)與擴(kuò)展元數(shù)據(jù)構(gòu)成，表示如下：

M=Ck+Pk,k∈{1,2,…,n}

(2)

綜上,由式(1)和式(2)跨領(lǐng)域元數(shù)據(jù)結(jié)構(gòu)得以定義。

1.2 跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建方法

(3)

(4)

(5)

進(jìn)一步，由擴(kuò)展元數(shù)據(jù)動態(tài)構(gòu)建滿足用戶可共用和互操作的領(lǐng)域元數(shù)據(jù)Mk的核心元數(shù)據(jù)Ck。

用ΔCk表示由用戶擴(kuò)展元數(shù)據(jù)Pk動態(tài)構(gòu)建的核心元數(shù)據(jù)增量，生成新的核心元數(shù)據(jù)為C＇k，有：

(6)

式(6)中，∩表示生成運(yùn)算，具體定義如下。

(7)

(8)

在此基礎(chǔ)上，式(6)中核心元數(shù)據(jù)增量ΔCk可表示為：

(9)

據(jù)此，定義生成運(yùn)算∩：

(10)

由式(4)、(6)、(9)、(10)，領(lǐng)域數(shù)據(jù)資源Ak的領(lǐng)域元數(shù)據(jù)Mk得以動態(tài)構(gòu)建。

進(jìn)一步，同理動態(tài)構(gòu)建跨領(lǐng)域數(shù)據(jù)資源領(lǐng)域元數(shù)據(jù)的核心元數(shù)據(jù)。

C＇s=Cs+ΔCs=Cs+∩C＇k,k∈{1,2,…,n}

(11)

式(11)中，生成運(yùn)算∩與式(10)中領(lǐng)域數(shù)據(jù)資源Ak領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建生成運(yùn)算相同。

由式(4)、(6)、(9)、(10)、(11)，跨領(lǐng)域數(shù)據(jù)資源As的領(lǐng)域元數(shù)據(jù)Ms得以動態(tài)構(gòu)建，跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建的具體算法流程如下。

輸入：用戶自由定義的元數(shù)據(jù)Mk。

輸出：跨領(lǐng)域元數(shù)據(jù)Ms。

初始條件：領(lǐng)域核心元數(shù)據(jù)Ck，跨領(lǐng)域核心元數(shù)據(jù)Cs。

通過用戶輸入，動態(tài)迭代如下循環(huán)：

布爾矩陣B經(jīng)生成運(yùn)算∩生成篩選向量，進(jìn)一步生成領(lǐng)域核心元數(shù)據(jù)增量ΔCk；

由ΔCk，生成新的領(lǐng)域核心元數(shù)據(jù)C＇k和領(lǐng)域元數(shù)據(jù)M＇k；

由C＇k，生成新的跨領(lǐng)域核心元數(shù)據(jù)C＇s，進(jìn)一步生成跨領(lǐng)域元數(shù)據(jù)M＇s。

判斷循環(huán)截止，輸出最終跨領(lǐng)域元數(shù)據(jù)M＇s。

1.3 篩選函數(shù)S(x)設(shè)計(jì)

由跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建算法可知，篩選函數(shù)S(x)是動態(tài)生成跨領(lǐng)域數(shù)據(jù)資源核心元數(shù)據(jù)的關(guān)鍵。篩選函數(shù)S(x)是對布爾矩陣B進(jìn)行操作的，布爾矩陣B的0-1分布特征直接影響篩選函數(shù)的設(shè)計(jì)，現(xiàn)結(jié)合領(lǐng)域數(shù)據(jù)資源布爾矩陣B的特征，設(shè)計(jì)篩選函數(shù)S(x)。

因數(shù)據(jù)資源特征不同，以及不同用戶對數(shù)據(jù)資源的理解不同，自由定義的數(shù)據(jù)資源元數(shù)據(jù)描述項(xiàng)會呈現(xiàn)出多元化的特征，故領(lǐng)域數(shù)據(jù)資源布爾矩陣B的0-1分布與領(lǐng)域數(shù)據(jù)資源特征和用戶自由擴(kuò)展數(shù)據(jù)描述相關(guān)。

基于領(lǐng)域數(shù)據(jù)資源特征和用戶認(rèn)知特征，對領(lǐng)域數(shù)據(jù)資源布爾矩陣B的0-1分布作如下假設(shè)。

假設(shè)1(隨機(jī)性假設(shè))：假定不同用戶定義領(lǐng)域數(shù)據(jù)資源擴(kuò)展元數(shù)據(jù)時，事先未約定任何規(guī)則，憑理解進(jìn)行自由定義，根據(jù)個體活動的隨機(jī)性，構(gòu)建的數(shù)據(jù)資源布爾矩陣B的0-1分布呈現(xiàn)隨機(jī)分布的特征。

在假設(shè)1條件下，布爾矩陣的漢明重量向量H滿足定理1。

由獨(dú)立伯努力試驗(yàn)的定義，可知行向量(bi1bi2…bin)的漢明重量Hi滿足二項(xiàng)分布：

得證。

由定理1，通過設(shè)置閾值條件，易設(shè)計(jì)篩選函數(shù)S(x)如下：

(12)

假設(shè)2(稀疏性假設(shè))：假定不同用戶定義對某一子領(lǐng)域數(shù)據(jù)資源的認(rèn)知與理解具有一定的相似性，基于領(lǐng)域相似性認(rèn)知和個體隨機(jī)性理解，構(gòu)建的數(shù)據(jù)資源布爾矩陣B的0-1分布呈現(xiàn)稀疏分布的特征。

在假設(shè)2條件下，布爾矩陣B的漢明重量向量H滿足定理2。

定理2：稀疏性假設(shè)條件下，對布爾矩陣B的漢明重量向量H，Hi的期望滿足E(Hi)=rank(BL)，BL為布爾矩陣B的低秩部分。

證明：在稀疏性假設(shè)條件下，布爾矩陣B滿足稀疏矩陣和低秩矩陣的特征。在此基礎(chǔ)上，采用稀疏矩陣分解的方法，對布爾矩陣B進(jìn)行分解，有：

B=BL+E

(13)

其中，BL為低秩矩陣，E為稀疏矩陣。

對式(13)進(jìn)行優(yōu)化求解，可轉(zhuǎn)化為如下優(yōu)化問題：

(14)

其中，‖‖0表示矩陣的0范數(shù)即矩陣非0元素個數(shù)。

已證明此問題求解為NP難，可進(jìn)一步轉(zhuǎn)化為以下凸優(yōu)化問題[13]：

(15)

其中，‖‖0表示矩陣的核范數(shù)即矩陣奇異值之和，‖‖1表示矩陣的1范數(shù)即矩陣列向量元素絕對值之和的最大值。

已有諸多方法對以上凸優(yōu)化問題進(jìn)行求解[14-16]。在稀疏矩陣分解基礎(chǔ)上，求解行向量(bi1bi2…bin)漢明重量Hi的期望E(Hi)，令：

E(Hi)=k

(16)

由期望定義可知：

P(Hi=k)max{P(Hi=j),j∈{0,1,2,…,n}}

(17)

考察布爾矩陣B的行向量(bi1bi2…bin)，由稀疏矩陣分解和矩陣行列對稱性可知：

P(Hi=rank(BL))=max{P(Hi=j),j∈{0,1,2,…,n}}

(18)

結(jié)合式(16)、(17)、(18)，可知：E(Hi)=rank(BL)。

得證。

由定理2，通過設(shè)置閾值條件，易設(shè)計(jì)篩選函數(shù)S(x)如下：

(19)

2 實(shí)驗(yàn)結(jié)果與分析

針對設(shè)計(jì)的跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建算法，尤其是兩類假設(shè)條件下的篩選函數(shù)，利用相關(guān)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證。

針對隨機(jī)性假設(shè)，由于現(xiàn)有領(lǐng)域元數(shù)據(jù)尚未有自由擴(kuò)展實(shí)踐，隨機(jī)性假設(shè)條件測試數(shù)據(jù)集采用隨機(jī)模擬的方法生成；針對稀疏性假設(shè)，則利用某綜合論證領(lǐng)域元數(shù)據(jù)集，采用“時間換空間”策略，選用不同時段和領(lǐng)域的元數(shù)據(jù)生成測試數(shù)據(jù)集，以滿足稀疏性假設(shè)條件。

選用兩類測試數(shù)據(jù)集，數(shù)量級均分別為103、104、105規(guī)模，利用本文設(shè)計(jì)的跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建算法和篩選函數(shù)，生成跨領(lǐng)域元數(shù)據(jù)項(xiàng)，從而驗(yàn)證算法的有效性。Matlab軟件生成實(shí)驗(yàn)結(jié)果如圖2和圖3所示。

圖2 隨機(jī)性假設(shè)核心元數(shù)據(jù)生成

圖3 稀疏性假設(shè)核心元數(shù)據(jù)生成

圖2為隨機(jī)性假設(shè)條件下動態(tài)構(gòu)建的核心元數(shù)據(jù)增量，其中藍(lán)色曲線為篩選函數(shù)的期望閾值曲線，紅色曲線為基于數(shù)據(jù)集的動態(tài)構(gòu)建生成數(shù)值曲線，在可知實(shí)際隨機(jī)性條件下，動態(tài)構(gòu)建算法生成的核心元數(shù)據(jù)增量與理論期望值基本吻合。圖3則為稀疏性假設(shè)條件下動態(tài)構(gòu)建的核心元數(shù)據(jù)增量，其中藍(lán)色曲線和紅色曲線定義與圖2相同，在稀疏性假設(shè)條件下，動態(tài)構(gòu)建算法生成的核心元數(shù)據(jù)增量與理論期望值也具有較好的吻合度。

其中，圖2的曲線擬合度相對較高，是因?yàn)殡S機(jī)性假設(shè)選用的是隨機(jī)生成測試數(shù)據(jù)；而圖3曲線擬合度存在偏差，說明采用實(shí)際數(shù)據(jù)測試條件下，稀疏性假設(shè)條件與實(shí)際數(shù)據(jù)資源元數(shù)據(jù)描述項(xiàng)分布規(guī)律存在一定偏差。

在稀疏性假設(shè)條件下，基于某綜合論證領(lǐng)域元數(shù)據(jù)集，通過區(qū)分不同時間階段，利用本文設(shè)計(jì)算法生成跨領(lǐng)域元數(shù)據(jù)，并與某綜合論證領(lǐng)域元數(shù)據(jù)實(shí)際變化對比，進(jìn)一步驗(yàn)證算法的合理性。Matlab軟件生成實(shí)驗(yàn)結(jié)果如圖4和圖5所示。

圖4 稀疏性假設(shè)生成跨領(lǐng)域核心元數(shù)據(jù)

圖5 稀疏性假設(shè)生成跨領(lǐng)域核心元數(shù)據(jù)增量

圖4為稀疏性假設(shè)條件下算法生成的不同時間階段跨領(lǐng)域元數(shù)據(jù)與實(shí)際元數(shù)據(jù)的對比圖，其中紅色曲線為算法生成的跨領(lǐng)域元數(shù)據(jù)，藍(lán)色曲線則為實(shí)際元數(shù)據(jù)，實(shí)際元數(shù)據(jù)為經(jīng)過需求論證、專家研討和用戶反饋等環(huán)節(jié)生成的實(shí)際使用核心元數(shù)據(jù)。由圖4可知，算法生成的跨領(lǐng)域元數(shù)據(jù)比實(shí)際元數(shù)據(jù)的數(shù)據(jù)項(xiàng)要多，且隨著時間階段和測試數(shù)據(jù)集規(guī)模增長，算法生成與實(shí)際元數(shù)據(jù)項(xiàng)數(shù)差也越大，說明本算法生成的元數(shù)據(jù)項(xiàng)相對實(shí)際使用元數(shù)據(jù)項(xiàng)要更豐富，需經(jīng)科學(xué)論證和取舍后生成實(shí)際使用元數(shù)據(jù)。

圖5為相應(yīng)時間階段算法生成的跨領(lǐng)域元數(shù)據(jù)增量與實(shí)際元數(shù)據(jù)增量的對比圖，其中紅色曲線為算法生成的跨領(lǐng)域元數(shù)據(jù)增量，藍(lán)色曲線則為實(shí)際元數(shù)據(jù)增量，紫色曲線為算法生成元數(shù)據(jù)與實(shí)際元數(shù)據(jù)的增量比率。由圖5可知，算法生成的跨領(lǐng)域元數(shù)據(jù)增量相對實(shí)際元數(shù)據(jù)增量的絕對值大，但兩者之間的增量比率維持在固定值區(qū)間范圍，說明本算法生成跨領(lǐng)域元數(shù)據(jù)與實(shí)踐生成元數(shù)據(jù)的過程趨勢基本吻合。

3 結(jié)論

針對跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建問題，本文在跨領(lǐng)域數(shù)據(jù)資源概念模型研究基礎(chǔ)上，對跨領(lǐng)域元數(shù)據(jù)的結(jié)構(gòu)進(jìn)行了擴(kuò)展定義，給出“核心+擴(kuò)展”的跨領(lǐng)域元數(shù)據(jù)結(jié)構(gòu)，支持用戶對元數(shù)據(jù)的自由定義。在此基礎(chǔ)上，提出了擴(kuò)展元數(shù)據(jù)迭代生成核心元數(shù)據(jù)的動態(tài)構(gòu)建算法，并通過對數(shù)據(jù)資源分布矩陣的隨機(jī)性假設(shè)和稀疏性假設(shè)，設(shè)計(jì)了跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建算法中的篩選函數(shù)，從而給出了一種可供用戶自由擴(kuò)展的跨領(lǐng)域數(shù)據(jù)資源元數(shù)據(jù)動態(tài)構(gòu)建方法，滿足用戶日益增長的跨領(lǐng)域海量數(shù)據(jù)資源描述和訪問需求。

篩選函數(shù)設(shè)計(jì)是跨領(lǐng)域元數(shù)據(jù)動態(tài)構(gòu)建算法的關(guān)鍵環(huán)節(jié)，本文在兩類假設(shè)基礎(chǔ)上，對篩選函數(shù)進(jìn)行了相關(guān)設(shè)計(jì)，然而這兩類假設(shè)遠(yuǎn)不能涵蓋跨領(lǐng)域數(shù)據(jù)資源的豐富特征，仍需對現(xiàn)有假設(shè)進(jìn)行深入研究與拓展。同時，針對稀疏性假設(shè)條件下篩選函數(shù)設(shè)計(jì)，基于海量數(shù)據(jù)資源的稀疏矩陣分解優(yōu)化問題求解，也應(yīng)成為下一步研究的重點(diǎn)。