基于數(shù)據(jù)元關(guān)鍵字的數(shù)據(jù)模型映射技術(shù)研究?

高俊濤 侯 寧

（東北石油大學(xué)計算機與信息技術(shù)學(xué)院 大慶 163318）

1 引言

現(xiàn)階段，各個油田企業(yè)布署和運行了大量信息系統(tǒng)，各個系統(tǒng)之間獨立開發(fā)與發(fā)布，形成眾多的信息孤島。由于缺少對數(shù)據(jù)資源的統(tǒng)一標(biāo)準(zhǔn)描述和信息服務(wù)，導(dǎo)致各系統(tǒng)間協(xié)同難、數(shù)據(jù)開發(fā)應(yīng)用效率低，無法形成高效的公共數(shù)據(jù)服務(wù)產(chǎn)品［1］。

為屏蔽這些信息孤島，各個油田開始進行數(shù)據(jù)集成，將各個獨立開發(fā)的信息系統(tǒng)相互關(guān)聯(lián)起來，使得用戶可以透明的訪問這些數(shù)據(jù)。而數(shù)據(jù)集成中數(shù)據(jù)映射是重要的一個步驟［2］。目前許多數(shù)據(jù)集成的方法用于解決數(shù)據(jù)結(jié)構(gòu)上的異構(gòu)，卻沒有較好的解決數(shù)據(jù)語義上的異構(gòu)，這一直以來也都是一個難點［3］。

文獻［4］提出了數(shù)據(jù)元在國內(nèi)外標(biāo)準(zhǔn)化信息術(shù)語中的作用，說明了數(shù)據(jù)元在數(shù)據(jù)集成中的重要性。文獻［5］為了表達數(shù)據(jù)元的語義，用了語義樹，采取了數(shù)據(jù)元表達數(shù)據(jù)模型的語義。但是通過語義樹的方式過于復(fù)雜，提高了前期工作的門檻。文獻［6］以數(shù)據(jù)元為中介實現(xiàn)數(shù)據(jù)映射，采取數(shù)據(jù)元的方法對數(shù)據(jù)映射。

因此正文引出數(shù)據(jù)模型的映射，用數(shù)據(jù)元關(guān)鍵字的方式，用數(shù)據(jù)模型里的數(shù)據(jù)項與數(shù)據(jù)元與配對，然后對數(shù)據(jù)模型中數(shù)據(jù)項用數(shù)據(jù)元表達。通過關(guān)鍵字描述數(shù)據(jù)元的語義，避免構(gòu)建語義樹、本體等帶來的麻煩，降低了前期工作的門檻和映射的復(fù)雜性。通過兩個模型中的數(shù)據(jù)項所配對的數(shù)據(jù)元的聯(lián)系，構(gòu)建兩個數(shù)據(jù)模型中的數(shù)據(jù)項的匹配，從而構(gòu)建兩個模型的映射，以更好地做數(shù)據(jù)服務(wù)。

2 數(shù)據(jù)元簡介

基本的、不可分割的數(shù)據(jù)單元是數(shù)據(jù)元，它用屬性表達其標(biāo)識、定義、允許值和表示［7］。

數(shù)據(jù)元語義可以看作由以下三個部分組成［8］。

對象詞：它具有清晰的概念，可以定義其屬性和行為，是對現(xiàn)實世界事物的抽象描述，可以作為面向?qū)ο缶幊讨械膶ο髞砝斫?，在?shù)據(jù)模型中類似于實體名稱。例如：尾管、生產(chǎn)井、水管、設(shè)備、管柱。

特性詞：特性詞表示對對象的一種性質(zhì)描述，它在數(shù)據(jù)模型中類似于實體屬性，例如：長度、深度、外徑、內(nèi)徑、尺寸、壓力、產(chǎn)量。

限定詞：它主要包含對象詞的限定詞和特性詞的限定詞，它是用來修飾對象詞和特性詞的，它可以有零個。如：懸掛、回接、下入、年。

設(shè)數(shù)據(jù)元關(guān)鍵字表為K：

其中pty 為特性詞，obj 為對象詞，Qobj 為對象詞的限定詞集合，Qpty 為特性詞的限定詞集合，C 為約束條件中的常數(shù)值集合。

進一步簡化：把C 中的常數(shù)值作為相應(yīng)的限定詞，劃分到Qobj與Qpty中，得出：

通過以上三個部分實現(xiàn)對數(shù)據(jù)元語義的表達。表1展示了數(shù)據(jù)元語義的組成成分。

表1 數(shù)據(jù)元的組成成分

3 語義描述

數(shù)據(jù)特征的抽象表示是數(shù)據(jù)模型，包含數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)約束和數(shù)據(jù)操作［9］，因為數(shù)據(jù)操作是在數(shù)據(jù)庫上操作，所以這里不探討它。結(jié)合它的特征，用數(shù)據(jù)模型里的表和數(shù)據(jù)項表達數(shù)據(jù)模型。模型里表的表達基于數(shù)據(jù)項的表達。根據(jù)上述的表述，數(shù)據(jù)元作為數(shù)據(jù)的規(guī)范，可以用來描述數(shù)據(jù)項。

這里先構(gòu)建數(shù)據(jù)項與數(shù)據(jù)元的配對表達數(shù)據(jù)項的語義。

目前有許多相似度算法，廣義上大體分成基于序列的相似度度量、基于集合的相似度度量［10］。編輯距離算法是基于序列的相似度度量，它具有可行性高效果好的優(yōu)點［11］，這里采用編輯距離算法度量數(shù)據(jù)項和數(shù)據(jù)元，它是基于字面進行相似度度量。

設(shè)編輯距離算法用dsim（x，y）表達，用來計算x轉(zhuǎn)變到y(tǒng) 的最低成本。字符串轉(zhuǎn)換通過以下方式實現(xiàn)，刪去、插入和替換字符串。例如，將x=“累積油產(chǎn)量”變?yōu)樽址畒=“累積地層油產(chǎn)量”的代價是dsim（x，y）=2，需要執(zhí)行的操作依次是在“累積”后面插入一個字符“地”，在“累積地”后面插入一個字符“層”。

編輯距離直觀上反映的是人們犯得一些編輯錯誤，比如插入了一個額外的字符（如“累積油產(chǎn)量”少寫了一個“產(chǎn)”字，變成了“累積油量”），或者兩個字符順序反了（如“累積油產(chǎn)量”錯寫成了“積累油產(chǎn)量”）等。編輯距離dsim（x，y）可用以下公式轉(zhuǎn)為相像度度量函數(shù)sim（x，y）：

例如，“累積油產(chǎn)量”轉(zhuǎn)換為“累積地層油產(chǎn)量”的相似度度量結(jié)果為

下面以一個數(shù)據(jù)項“尾管懸掛下深”為例，與數(shù)據(jù)元字典里的數(shù)據(jù)元進行相似度度量，表2 中得到相像度較高的數(shù)據(jù)元配對結(jié)果。

表2 數(shù)據(jù)項與數(shù)據(jù)元相像度結(jié)果［12］

從以上結(jié)果得知，匹配的數(shù)據(jù)元中“尾管懸掛下入深度”相似度較高，“下入深度”的縮寫是“下深”，確實能表達數(shù)據(jù)項“尾管懸掛下深”的語義。因此，數(shù)據(jù)項“尾管懸掛下深”與數(shù)據(jù)元“尾管懸掛下入深度”匹配。

通過以上相似度度量方法，可以得出與數(shù)據(jù)模型中數(shù)據(jù)項匹配的數(shù)據(jù)元。當(dāng)匹配數(shù)據(jù)元不唯一時，按相似度進行排序，并進行人工確認(rèn)。由于表名、業(yè)務(wù)域、主鍵字段名中隱含數(shù)據(jù)項的上下文語義信息，這些信息可以作為數(shù)據(jù)元關(guān)鍵匹配的依據(jù)。

4 數(shù)據(jù)模型映射

在上文定義了模型之后，即通過數(shù)據(jù)元對源模型和目標(biāo)模型都完成了數(shù)據(jù)項的語義表達后，就可以進行數(shù)據(jù)模型映射。在目標(biāo)數(shù)據(jù)模型中指定一個目標(biāo)數(shù)據(jù)表，從源數(shù)據(jù)模型找出與此表對應(yīng)的多個源表，并建立從源表到目標(biāo)表的各字段的對應(yīng)關(guān)系。

不同的實體間的某屬性可以使用同個數(shù)據(jù)元表達，同實體中的屬性可以逐個與數(shù)據(jù)元配對，見圖1。

圖1 數(shù)據(jù)元與數(shù)據(jù)模型關(guān)系圖

4.1 數(shù)據(jù)項與數(shù)據(jù)項相似計算

針對目標(biāo)表的每個數(shù)據(jù)項匹配如下：

DE1（key11，key12，…key1m）DE2（key21，key22，…key2n），keyij 是數(shù)據(jù)元DEi 的關(guān)鍵字。當(dāng)相似度SIM12=1時，兩個數(shù)據(jù)項對應(yīng)的數(shù)據(jù)元名稱相等。如果數(shù)據(jù)元名稱不相等，則按以下方法：

其中，DSIM（DE1，DE1）為雙方數(shù)據(jù)元名稱的編輯距離算法相像度。而KSIM是兩個數(shù)據(jù)元的關(guān)鍵字集合之間的項集相像度：KSIM=交集項個數(shù)/并集項個數(shù)，得出的結(jié)果是杰卡德系數(shù)，它是雙方集合A和B的交集元素在并集A和B中的比［13］，用符號J（A，B）表示，用下面的公式表達：

通過不同的系數(shù)值選取和大量的實驗，確定系數(shù)WD 和WK 的值，其中系數(shù)WD 和WK 的和為1。WD、WK 分別為兩個相似度的權(quán)重，對系數(shù)WD 和WK 按照表的取值進行計算，發(fā)現(xiàn)表3 在A=0.3，b=0.7的時候效果最好。

表3 系數(shù)選取

為了構(gòu)建兩個模型的映射，用數(shù)據(jù)元作為中介，用雙方數(shù)據(jù)元匹配。不能完全配對，但有較高相像度的，作為可能映射［14］。這里以數(shù)據(jù)元“尾管懸掛下入深度”為例，按照關(guān)鍵詞分類，對象詞是“尾管”，它的限定詞是“懸掛”，特性詞是“深度”，它的限定詞是“下入”［15］，在表4 中得出數(shù)據(jù)元字典中匹配到的前幾個數(shù)據(jù)元以及相似度結(jié)果。

表4 數(shù)據(jù)元與數(shù)據(jù)元相像度結(jié)果

通過上表得出“試油”數(shù)據(jù)模型中數(shù)據(jù)元“尾管懸掛下入深度”與“試油試采”數(shù)據(jù)模型中數(shù)據(jù)元“尾管懸掛下入深度”相似度為1，直接匹配。因此，它們所對應(yīng)的數(shù)據(jù)項“尾管懸掛下深”和“尾管懸掛下入深度”也能直接匹配。這兩個數(shù)據(jù)項所對應(yīng)的表“地質(zhì)設(shè)計鉆井及套管基礎(chǔ)數(shù)據(jù)表”和“套管基礎(chǔ)數(shù)據(jù)表”也匹配。

4.2 映射字典設(shè)計

通過數(shù)據(jù)元、數(shù)據(jù)項和實體對兩個模型表達之后，為數(shù)據(jù)映射字典打下了基礎(chǔ)，基于XML 的映射字典的設(shè)計，用于表達兩個模型的映射聯(lián)系［16］。

1）xml：表示xml文件版本號和編碼。

2）MapDocument：表示映射字典的根節(jié)點，此節(jié)點有一個子節(jié)點Mapping表示映射關(guān)系［17］。

3）Mapping：表示映射關(guān)系節(jié)點，此節(jié)點有三個屬性，user表示公司，name 表示映射名稱，type 表示映射類型，主要根據(jù)平臺使用者進行劃分。此節(jié)點有三個子節(jié)點，DRDModel，RDLModel，Entities。

4）DRDModel：表示源數(shù)據(jù)模型。

5）RDLModel：表示目標(biāo)數(shù)據(jù)模型。

6）Entities：表示實體，RDL_Entity 是它的一個子節(jié)點。

7）RDL_Entity：表示目標(biāo)數(shù)據(jù)模型實體，name、code 是它的兩個屬性，分別表示實體名、實體代碼。Source，Row是它的兩個子節(jié)點。

8）Source：表示數(shù)據(jù)來源（源數(shù)據(jù)模型），此節(jié)點有一個子節(jié)點DM_Entity。

9）DM_Entity：表示源數(shù)據(jù)模型，有兩個屬性name表示實體名，code表示實體代碼［18］。

10）Row：表示行，Attribute是它的一個子節(jié)點。

11）Attribute：表示屬性，其中它有6 個屬性，RDL_name 表示目標(biāo)數(shù)據(jù)模型屬性。RDL_code 表示目標(biāo)數(shù)據(jù)模型屬性代碼，element_name 表示數(shù)據(jù)元名稱，element_code 表示數(shù)據(jù)元代碼，DM_name表示源數(shù)據(jù)模型屬性，DM_code表示源數(shù)據(jù)模型屬性代碼［19］。

映射字典結(jié)構(gòu)如下所示。

<？xml version=“”encoding=“”？>

5 結(jié)語

本文通過數(shù)據(jù)元來表達數(shù)據(jù)模型中的數(shù)據(jù)項，并通過關(guān)鍵詞來表達數(shù)據(jù)元的語義。利用編輯距離算法和杰卡德算法的思想，對數(shù)據(jù)項與數(shù)據(jù)元進行配對，對數(shù)據(jù)元與數(shù)據(jù)元之間的相像性進行配對，間接定位數(shù)據(jù)項的語義映射聯(lián)系，從而得出數(shù)據(jù)表的映射聯(lián)系。最終為表達異構(gòu)模型的映射引出一個映射文件。將中國石油企業(yè)的數(shù)據(jù)元為試驗數(shù)據(jù)，對中石油數(shù)據(jù)模型中的數(shù)據(jù)項進行了標(biāo)準(zhǔn)化，以保證研究的實用性。