一種基于本體的數據共享服務模型

牟宇超 劉瑞

摘 要：數據共享服務在信息化時代作用凸顯，它可以將彼此孤立的信息進行整合并實現其應有價值。對數據共享服務進行研究，提出一種本體模型及其應用架構。詳細闡述了模型中的幾種對象及其相互轉換方式，以及如何利用語義關系組織數據;將PageRank算法與CF算法思想移植到數據服務中，提出一種新的算法用于篩選最優數據;創建一種相對完備的本體體系，將數據共享過程分層細化，可應用于海量數據共享服務。

關鍵詞：數據共享;本體模型;數據對象價值;共享服務

0 引言

隨著信息化建設的不斷推進，各行各業對信息交流服務的需求也與日俱增，人類社會正逐漸步入數據時代。世界著名咨詢公司麥肯錫曾提到，“當今世界的數據量已呈現爆炸式增長態勢”[1]。在面對如此大量的多樣數據時，如何對數據進行有效處理，提高數據的價值與可用性尤為關鍵。

目前，多數數據以“信息孤島”的形式存在，如果對這些數據進行有效融合，那么這些海量的碎片信息將變得更加具有利用價值。數據共享可以使人類對客觀世界產生更深層次的認識[2]，本文著重對數據共享方法進行探究，以解決當前信息不能充分共享的問題。

1 研究綜述

1.1 關于本體

“本體”一詞起源于哲學領域，該詞由德國哲學家Goclenius[3]首先提出，許多其他學者也曾給出過“本體”這一概念的詳細定義。1991年，Neches[4]最先給出了本體的定義：本體是構成相關領域詞匯的基本術語和關系，以及利用這些術語和關系構成詞匯外延的規則;1993年，Gruber[5]給出了本體的定義：本體是概念模型的明確的規范說明;1997年，Borst[6]給出了本體的定義：本體是共享概念模型的形式化規范說明;1998年，Studer[7]將前人思想進行融合，又重新提出了本體的定義：本體是共享概念模型的明確的形式化規范說明。如今，Studer提出的這一概念被廣泛認同。

1.2 關于數據共享

國外數據共享相關研究中，部分學者提出具體算法用于解決數據沖突等各類問題，也有許多可用于數據共享的數據交換平臺。哈佛大學和麻省理工學院共同研發的Dataverse可以發布、引用、存儲和在線分析研究數據;麻省理工學院與惠普公司合作的DSpace可以實現數字資源的收集、保存、發布等;斯坦福大學的SDR同樣可以實現數據的保存、引用、訪問、管理和共享等功能[8]。比較流行的還有康奈爾大學與維吉尼亞大學合作開發的Fedora[9]，挪威社會科學數據服務中心的Nesstar等[10]。

Brouwer等[11]提出了一種新的基于多矩陣分解方法的貝葉斯混合矩陣分解模型，該模型可融合多種類型的數據集;Tosin等[12]提出了一種方法，通過對Web應用程序中的信息進行推斷和關聯實現數據融合;Gubanov[13]認為傳統的數據融合方法難以處理大規模數據，由此提出了一種大規模數據集成系統并闡述了其體系結構。

國內關于數據共享的研究也有一定進展，但并不多見。北京航空航天大學的張義等[14]提出了一種名為MICROS的多模式互聯生長模型，較為詳細地闡述了整個體系如何將多源異構的海量數據融合起來;復旦大學[15]研發了一款科學數據共享平臺，該平臺主要包含數據管理、數據服務、數據交換、數據監護等功能，旨在為研究人員提供一個便于相互交流的環境;北京航空航天大學的陳真勇等[16]提出了一種名為SCLDF的智慧城市數據融合與共享框架，給出了該框架的四層架構設計，并指出該框架可以結合具體的數據信息提供相應的智慧服務;諶裕勇[17]提出了一種基于關聯規則挖掘的云存儲中心多源文本主題融合模型，該模型可以對多源文本主題進行信息融合;劉錚等[18]提出了一種基于多源數據的多特征融合方法，主要解決弱小目標關聯難題;路輝等[19]提出了一種基于HTTP協議的網頁數據融合方法，旨在實現業務系統間的數據集成與數據共享;梁玉英[20]提出了一種基于概率猶豫模糊Frank加權平均算子的信息集成方法，并將其運用于數據產品選擇。在國內外相關研究中，雖然數據共享方法多種多樣，但基于本體模型實現數據融合與數據共享過程的研究十分罕見，并且也很少有研究論述如何利用語義關系完成數據的組織與推送。對此，本文提出一種數據服務的本體模型。

2 面向主題的數據共享本體模型

2.1 數據共享服務流程

在提供完整數據服務的平臺體系中，需要完成數據的轉換、清洗與融合等工作。對于異構數據，需要實現數據結構的轉變;對于錯誤數據和重復數據，要及時完成清理;對于缺失數據，需要采取合適方法進行補全。在面對大量多源異構數據時，僅僅進行簡單的轉換只能滿足最基本的數據交換功能，無法提供真正意義上的數據共享服務。因此，還需要根據主題領域內的知識對這些離散的數據進行融合，并在數據之間建立相應的語義關系形成主題數據庫。在主題數據庫中提取數據時，平臺可以自動地為數據需求者提供更多有價值的信息，使他們不必浪費時間親自尋找所有數據，為使用者帶來十分便捷的數據服務。

圖1展示了數據服務的完整流程。從數據源中獲取原始數據后，首先要對其進行預處理，完成數據清洗工作。清洗過程除了過濾掉錯誤數據和重復數據外，有時可能還需要一些簡單的轉換工作，保證數據全部轉變為統一的可用于后續處理的格式。數據源中的原始數據經過預處理后得到松散數據集，此時的數據集只經過初步加工，并不一定具備完整的結構。為實現最后的數據共享服務，需要對初步處理過的數據集進行再次加工，即融合過程。數據融合過程需要專家參與，在確定數據服務所要面向的主題領域后，該領域相關專家制定相應的融合策略，用以指導數據融合過程。松散數據集經過融合過程后形成面向主題的數據集，面向主題的數據具有特定的結構，便于提供數據服務。為形成所需的主題數據庫，還需要定義數據間的語義關系，用語義關系將各類數據相互關聯起來，即關聯過程。關聯過程同樣需要領域專家參與，專家要確定各數據類型間的語義關系，形成新的數據網絡，使各類數據不再孤立。

在形成主題數據庫后，可向數據需求者提供全部數據服務。當數據需求者發出查詢請求后，數據服務平臺在主題庫中查找相應信息，提供盡可能準確的數據信息。數據服務平臺除提供數據共享服務外，還提供數據遷移服務與數據交換服務。數據遷移服務是指將一個庫中的數據信息遷移到另一個庫中，該項服務不對數據進行加工，要求保留數據的完整信息，但可能有一些簡單的轉換。數據交換服務是指從松散數據集中抽取數據提供給數據需求者，這些數據只經過初步加工，并不具備完整的語義，但去除了無用信息，除清洗過程外還可能需要一些簡單的合并與轉換。

2.2 本體模型中的對象及相互關系

為實現上述功能，本文提出了一種基于本體的數據服務模型，模型中總共含有3類對象，分別為原始對象（Original Object）、原型對象（Prototype Object）和語義對象（Semantic Object）。其中，原始對象指平臺系統外的數據集。原始對象又可以進一步劃分為源原始對象與目標原始對象：源原始對象指平臺系統的數據源，即數據提供方;目標原始對象指平臺系統的數據輸出端，即數據需求方。源原始對象與目標原始對象均繼承自原始對象。原型對象指平臺系統中經過初步加工后的數據對象，這類對象已經可以被利用，但還不具備特定的結構，也不具備語義關系。語義對象指具有完整語義關系的數據對象，所有語義對象在一起共同形成主題數據庫，平臺系統依靠主題數據庫提供完整的數據服務。

圖2詳細表述了3種對象間的相互關系。系統運作時，源原始對象中的數據經過抽取和轉換過程形成新的原型對象中的數據。若只完成簡單交換，則原型對象中的數據經過轉換后直接被推送給目標原始對象;若需要進行更多的數據分析，則原型對象中的數據經過融合過程轉變為新的語義對象中的數據。不同的語義對象之間需要相互關聯，建立一定的語義關系，語義對象中的數據在經過轉換后最終被推送給目標原始對象。

其中，任意兩個語義對象之間都可以存在關聯聯系，這種關系是有向的，并且具有特定的語義。對于任意兩個語義對象A和語義對象B，用A→B表示A對象關聯到B對象的語義關系，A對象與B對象之間既可以是A→B，也可以是B→A，還可以是A→B與B→A同時存在，要求A→B與B→A語義不相同。

這種關聯關系本質上描述了兩個對象在語義層面的聯系，有了這種關系網絡后，數據共享階段將獲得更為完整的數據信息。在數據共享服務過程中，當任何一個語義對象將要被提取時，其指向的語義對象也有可能成為反饋信息中的一部分被推送出去，關聯的語義對象被推送時，應采用合適的方法。

語義對象還可以擁有主子結構，但只有結構的主部分具備全局性的唯一標識。此外，內部語義對象（子語義對象）將被定義為非公開的，即對數據利用環節不可見。因此，對主子結構語義對象的訪問需逐層進行。

2.3 本體模型應用架構

本體模型的應用架構可分為3層：交換層、融合層、共享層。圖3展示了該架構的層次，其中交換層為最底層，融合層為中間層，共享層為最頂層。這3層的功能分別為：①交換層負責完成數據適配工作，對數據源中的數據進行抽取、轉換，將處理好的數據存放在原型對象中;②融合層負責完成數據重構工作，將原型對象中的數據進行融合后存放在相應的語義對象中，構建好所有語義對象;③共享層負責完成數據組織工作，將所有的語義對象進行關聯，組織好所有語義對象間的語義關系。

3 原始對象提煉

本文所定義的本體模型中，原始對象即是對數據服務平臺外部的數據源中數據的一種抽象。原始對象有一個基本類型，將其命名為OriginalObject，原始對象中所有的類均繼承自OriginalObject。從數據源中抽取數據時，需要定義一些新的類，它們都是基本類型OriginalObject的衍生類（子類）。這些類可以被實例化，而每一個實例則是對相應數據的一種映射。

事實上，原始對象的創建主要是為了解決實際工作中數據源的異構問題。每從一種類型的數據源中抽取數據時，都要定義一種新的類。由于在提供數據服務的過程中，要處理的數據可能是結構化的，也可能是非結構化的，或是半結構化的，因此需要將它們轉變為統一的可處理的形式。類中所具有的各種屬性即是相應數據源中數據結構的一種呈現，例如對于XML文件，類中的屬性可能映射為其中的子節點。對于平臺外部的數據源，需要進行處理的不只有二維表形式的數據，還可能有HTML格式的網頁，以及其它格式的各類文件與圖片等。

理論上，原始對象中應該保留數據源中的全部數據信息，其存在的意義主要是方便在后續工作中對抽取到的數據進行處理。也可以將原始對象看作是數據源中的數據，其本質就是將數據源中的數據轉移到數據服務平臺中，以便對其進行操作。

4 本體對象間的轉變方式

在原始對象向原型對象轉變的過程中，有抽取和轉換兩個關鍵步驟。抽取可以是將原始對象中的數據信息直接復制，也可以是經過清洗后保存一部分數據信息，而轉換則是將數據轉變為統一的可用于后續處理的格式。在原型對象向語義對象轉變的過程中，需要對原型對象進行融合。

圖4為無過濾的平行擴展方式。在這種方式中，原始對象中的數據信息均完好無損地存入新的原型對象中，原型對象中的數據信息在被合并后存入新的語義對象中。原始對象[O1]與原始對象[O2]經過抽取、轉換過程生成原型對象[P1]與原型對象[P2]，所有屬性全部被保留，原型對象[P1]與原型對象[P2]經過融合過程生成語義對象[S1]，依然保留了全部屬性。

圖5為有過濾的平行擴展方式。在這種方式中，原始對象中的數據信息可能被清洗后存入新的原型對象中，原型對象中的數據信息在被合并后存入新的語義對象中。原始對象[O1]與原始對象[O2]經過抽取、轉換過程生成原型對象[P1]與原型對象[P2]，其中部分屬性被去掉，原型對象[P1]與原型對象[P2]經過融合過程生成語義對象[S1]，但也只保留了部分屬性。

圖6為主子結構擴展方式。在這種方式中，原始對象中的數據在抽取過程中同樣有可能被清洗后存入新的原型對象中，或是不經過清洗全部被保留，此處不再全部列舉，而原型對象在經過融合過程后形成新的具有主子結構的語義對象。原型對象[P1]與原型對象[P2]經過融合后生成新的語義對象[S1]，語義對象[S1]除保留原型對象[P1]中的信息外，還新增了屬性[g]，該屬性用來指向一個內部語義對象[I1]，語義對象[I1]即是語義對象[S1]的子語義對象，該對象中存儲了原型對象[P2]中的信息。

5 語義關系構建

在語義對象之間要建立語義關系。語義關系采用四元組表示，如語義對象A到語義對象B的語義關系記為（A， relationship， B， weight）。每一個四元組都用來記錄一個語義關系，該四元組表示了語義關系的方向為從A指向B，四元組中第二個元素relationship用來記錄語義關系的名稱，最后一個元素weight表示語義對象B對語義對象A的影響程度。

語義對象有一個基本類型，這里將其命名為SemanticObject，本文語義對象的所有其它類都是該類的衍生類（子類），它們均繼承自SemanticObject。假設現在有兩個語義對象類ClassA與ClassB均繼承自SemanticObject基類，如果定義了一種語義關系（ClassA， r1，ClassB，w1），那么每個ClassA類型的實例都可能會具有一個指向ClassB類型實例的語義關系。當然，并不一定所有ClassA類型的實例都會發出這種語義關系，可能有些ClassA類型的實例還沒有找到與自身對應的ClassB類型的實例。

在定義兩個類間的語義關系時，并未建立具體實例間的語義關系。語義對象實例間的語義關系，可以通過兩種途徑建立。第一種方法即是在創建某個具體實例時，也直接生成從該實例對象發出的語義關系，在這種方式中，語義關系伴隨著兩個實例對象的出現也直接出現。第二種方法需要建立語義關系的生成規則，這個規則很重要，它用于生成第一種方法中未能創建的那些語義關系。在創建主題數據庫時，需要在初始化過程中將全部語義關系生成規則加載一遍，然后對庫中的所有實例對象進行掃描，根據已有規則為所有滿足條件的語義對象創建語義關系。當然，在使用第二種方法后，可能依然存在一些對象實例沒有創建完對應的語義關系，因為它們并不滿足生成規則中的條件。

利用生成規則建立語義關系的方法可用一個簡單示例說明。假設有若干個庫房與若干個機器人，現在主題數據庫中并未記錄每個機器人服務于哪個庫房，為確定各庫房與各機器人之間的關系，可定義一個語義關系生成規則。

6 共享服務中最優數據篩選

隨著可利用的數據源逐漸增多，在主題庫中形成的數據網絡體系也會越來越龐大。尤其是當數據服務平臺應用于智慧城市建設時，主題庫內部需存儲海量數據。有時，數據需求者可能并不知道現實中還存在一些數據同樣是他們想要的，此時數據服務平臺應能夠為其提供這些有價值的數據。在面對紛繁雜亂的數據網絡時，如何篩選出相對準確的數據信息推送給數據需求者尤為關鍵。

關于如何在數據共享服務中合理推送數據的問題，本文借鑒了PageRank算法與推薦系統中CF算法思想。PageRank算法堪稱十分天才的算法，它只利用了很簡單的數學原理但效果非常顯著。該算法是曾經就讀于美國斯坦福大學的Larry Page和Sergey Brin在參考了學術界評判論文的方法后共同提出的。此二人亦是Google公司的創始人，憑借發明的PageRank專利創造了全球最大的搜索引擎——Google。CF算法全稱為協同過濾算法（Collaborative Filtering），本文主要采用基于物品的CF算法（Item-based Collaborative Filtering），該算法由Amazon公司的工程師提出，同樣是一種簡單易用的算法。Amazon是推薦系統領域最為著名的公司，在業界更是享有“推薦系統之王”的稱號。

6.1 語義對象價值計算

在數據共享服務中，當用戶提取數據時，有時很難鑒別哪些數據對用戶將是有價值的，只憑借查詢條件或許很難篩選。然而，數據推送原理很簡單：任何數據如果被提取得十分頻繁，那么其價值一定是相對較高的。一般地，可以認為數據被提取的次數越多，其價值就越高。因此，本文假設每條數據的價值與其被提取次數成正相關。

但在主題數據庫中，各語義對象間相互關聯，在訪問一個數據對象時也會訪問其關聯的數據對象。于是，有些數據對象在被數據需求方提取時，很有可能是因為其關聯了價值很高的其它數據對象，在這種情況下，該數據對象能被利用要部分歸功于它所關聯到的數據對象。因此，每個數據對象的價值還與關聯到該對象的其它數據對象有關。

6.2 語義對象相似度計算

在提供數據共享服務過程中，除計算數據價值外，還需要利用基于物品的協同過濾算法。采用該算法的目的是找出所有與被提取對象相似的其它語義對象。

利用每個語義對象被所有用戶提取的次數，可以計算出任何兩個語義對象間的相似度。當用戶提取某個數據對象時，可以將與其相似度最高的幾個對象一并推送給用戶。在計算兩個語義對象間的相似度時，需要用一個二維矩陣記錄每一個語義對象被所有用戶提取的次數。

如圖8所示，雖然不能直接判斷出哪些語義對象是真正意義上的相似，但依據所有數據需求者的提取行為可以看出，語義對象[S1]與語義對象[S3]很可能是相似的。于是，采用這種方法可以近似求出最相關的一類對象。

由于這種方法找出的相似語義對象并不一定真的對用戶十分有價值，因此在最終進行推送時，需要完成兩個步驟：①找出與被提取數據對象最相似的一部分語義對象;②在這些語義對象中，按[V]值排序篩選出價值最高的一些對象推送給數據需求者。

關于步驟①中篩選相似語義對象的策略，可以有兩種方案：一是預先指定一個具體的數量，以限制要提取相似語義對象的多少;二是預先指定一個閾值，相似度在閾值范圍內的語義對象將被提取出來。

6.3 冷啟動問題

上述方案雖然能夠找出與用戶需求相適應的數據對象，但依然無法解決冷啟動（Cold Start）問題，那些新加入主題數據庫而價值又很高的數據，并不能得到其應有的[V]值，該算法對于這類語義對象并不十分友好。

為解決數據服務中的冷啟動問題，可以考慮利用元數據對每個數據對象進行分析。元數據即為描述數據的數據，在創建語義對象時，也應為每個對象添加相應的元數據，這相當于為所有對象打上了“標簽”。當兩個語義對象元數據中的信息相似時，可以認為這兩個語義對象在領域內是相似的。

此外，還可以讓領域專家為新引入主題數據庫中的語義對象定義臨時價值[Vtemp]，在一定時間[t]內，將[Vtemp]作為其價值使用，這就避免了有些語義對象價值很高但其[V]值為[0]的問題。等到時間[t]結束時，再按照上述方法重新計算該語義對象應有的[V]值，[Vtemp]將不再起任何作用。

7 結語

本文構建了一個相對完整的本體體系，即先將各類數據抽象成為3種對象，然后利用構建好的模型，定義各類術語及其相互關系。在構建好的本體體系下，各類數據對象間的關系將變得更加直觀，各層所要執行的任務將變得更加明確，這有利于對海量的多源異構數據進行后續處理與分析。

此外，本文還提出了一種新的算法計算數據對象的價值，同時計算數據對象間的相似度。在推送數據的過程中可以更加容易地判斷哪些數據應該優先被選取，這使得在共享數據時不再只是簡單地提供原始數據，而是提供主題數據庫中更加豐富的數據。

本文基于本體的模型為數據共享服務提供了新的思路，在構建任何一種數據服務平臺，尤其是處理海量數據時，可以將該模型作為框架進行各模塊的搭建。

參考文獻：

[1] NATURE.Big data[EB/OL]. [2013-06-17]. http：//www.nature.com/news/specials/bigdata/index.html.

[2] 孟小峰，杜治娟. 大數據融合研究：問題與挑戰[J]. 計算機研究與發展，2016，53（2）：231-246.

[3] 高建波. 本體模型及其在信息安全評估領域的應用研究[D]. 上海：上海交通大學，2015.

[4] NECHES R. Enabling technology for knowledge sharing[J]. AI Magazing，1991，12（3）：36-56.

[5] GRUBER T R. A translation approach to portable ontology specification[J].? knowledge Acquisition，1993，5（2）：199-220.

[6] BORST W N. Construction of engineering ontologies for knowledge sharing and reuse[J]. Universiteit Twente，1997，18（1）：44-57.

[7] STUDER R，BENJAMINS V R，FENSEL D. Knowledge engineering： principles and methods[J]. Data & Knowledge Engineering，1998，25（1-2）：161-197.

[8] Collections in the SDR [EB/OL]. [2016-12-26]. https：//lib.stanford.edu/sdr/aboutsdr.

[9] Fedora commons proposal to the gordon and betty moore foundation[EB/OL]. [2016-12-07]. https：//duraspace.org/fedora/about/.

[10] 張閃閃，王錚. 海外基于開源軟件的典型科研數據共享服務平臺案例研究[J]. 圖書情報工作，2017，61（6）：79-86.

[11] BROUWER T，LIó，PIETRO. Bayesian Hybrid Matrix Factorisation for Data Integration[C]. AISTATS，2017.

[12] TOSIN T， RIGO S J， BARBOSA J L V， et al. A model for data integration in open and linked databases with the use of ontologies[C].? Chile：2016 35th International Conference of the Chilean Computer Science Society（SCCC），2016.

[13] GUBANOV M. PolyFuse：a large-scale hybrid data fusion system[C]. San Diego：2017 IEEE 33rd International Conference on Data Engineering （ICDE），2017.

[14] 張義，陳虞君，杜博文，等. 智慧城市多模式數據融合模型[J]. 北京航空航天大學學報，2016，42（12）：2683-2690.

[15] 張計龍，殷沈琴，張用，等. 社會科學數據的共享與服務——以復旦大學社會科學數據共享平臺為例[J]. 大學圖書館學報，2015，33（1）：74-79.

[16] 陳真勇，徐州川，李清廣，等. 一種新的智慧城市數據共享和融合框架——SCLDF[J]. 計算機研究與發展，2014，51（2）：290-301.

[17] 諶裕勇. 云存儲中心多源文本主題融合模型研究[J]. 智能計算機與應用，2019，9（2）：148-151.

[18] 劉錚，毛宏霞，戴聰明，等. 基于多源數據多特征融合的弱小目標關聯研究[J]. 紅外與激光工程，2019（2）：1-7.

[19] 路輝，高尚飛，李少龍. 基于HTTP協議的業務系統網頁數據采集應用集成[J]. 電子技術與軟件工程，2019（2）：1-3.

[20] 梁玉英. 基于概率猶豫模糊信息集成算法的數據產品選擇[J]. 計算機工程與應用，2019（3）：219-224.

（責任編輯：孫 娟）