基于數據元關鍵字的數據模型映射技術研究?

高俊濤 侯 寧

（東北石油大學計算機與信息技術學院 大慶 163318）

1 引言

現階段，各個油田企業布署和運行了大量信息系統，各個系統之間獨立開發與發布，形成眾多的信息孤島。由于缺少對數據資源的統一標準描述和信息服務，導致各系統間協同難、數據開發應用效率低，無法形成高效的公共數據服務產品［1］。

為屏蔽這些信息孤島，各個油田開始進行數據集成，將各個獨立開發的信息系統相互關聯起來，使得用戶可以透明的訪問這些數據。而數據集成中數據映射是重要的一個步驟［2］。目前許多數據集成的方法用于解決數據結構上的異構，卻沒有較好的解決數據語義上的異構，這一直以來也都是一個難點［3］。

文獻［4］提出了數據元在國內外標準化信息術語中的作用，說明了數據元在數據集成中的重要性。文獻［5］為了表達數據元的語義，用了語義樹，采取了數據元表達數據模型的語義。但是通過語義樹的方式過于復雜，提高了前期工作的門檻。文獻［6］以數據元為中介實現數據映射，采取數據元的方法對數據映射。

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

2 數據元簡介

基本的、不可分割的數據單元是數據元，它用屬性表達其標識、定義、允許值和表示［7］。

數據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，是對現實世界事物的抽象描述，可以作為面向對象編程中的對象來理解，在數據模型中類似于實體名稱。例如：尾管、生產井、水管、設備、管柱。

特性詞：特性詞表示對對象的一種性質描述，它在數據模型中類似于實體屬性，例如：長度、深度、外徑、內徑、尺寸、壓力、產量。

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。

設數據元關鍵字表為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值集合。

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

通過以上三個部分實現對數據元語義的表達。表1展示了數據元語義的組成成分。

表1 數據元的組成成分

3 語義描述

數據特征的抽象表示是數據模型，包含數據結構、數據約束和數據操作［9］，因為數據操作是在數據庫上操作，所以這里不探討它。結合它的特征，用數據模型里的表和數據項表達數據模型。模型里表的表達基于數據項的表達。根據上述的表述，數據元作為數據的規范，可以用來描述數據項。

這里先構建數據項與數據元的配對表達數據項的語義。

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點［11］，這里采用編輯距離算法度量數據項和數據元，它是基于字面進行相似度度量。

設編輯距離算法用dsim（x，y）表達，用來計算x轉變到y 的最低成本。字符串轉換通過以下方式實現，刪去、插入和替換字符串。例如，將x=“累積油產量”變為字符串y=“累積地層油產量”的代價是dsim（x，y）=2，需要執行的操作依次是在“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“累積油產量”少寫了一個“產”字，變成了“累積油量”），或者兩個字符順序反了（如“累積油產量”錯寫成了“積累油產量”）等。編輯距離dsim（x，y）可用以下公式轉為相像度度量函數sim（x，y）：

例如，“累積油產量”轉換為“累積地層油產量”的相似度度量結果為

下面以一個數據項“尾管懸掛下深”為例，與數據元字典里的數據元進行相似度度量，表2 中得到相像度較高的數據元配對結果。

表2 數據項與數據元相像度結果［12］

從以上結果得知，匹配的數據元中“尾管懸掛下入深度”相似度較高，“下入深度”的縮寫是“下深”，確實能表達數據項“尾管懸掛下深”的語義。因此，數據項“尾管懸掛下深”與數據元“尾管懸掛下入深度”匹配。

通過以上相似度度量方法，可以得出與數據模型中數據項匹配的數據元。當匹配數據元不唯一時，按相似度進行排序，并進行人工確認。由于表名、業務域、主鍵字段名中隱含數據項的上下文語義信息，這些信息可以作為數據元關鍵匹配的依據。

4 數據模型映射

在上文定義了模型之后，即通過數據元對源模型和目標模型都完成了數據項的語義表達后，就可以進行數據模型映射。在目標數據模型中指定一個目標數據表，從源數據模型找出與此表對應的多個源表，并建立從源表到目標表的各字段的對應關系。

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

圖1 數據元與數據模型關系圖

4.1 數據項與數據項相似計算

針對目標表的每個數據項匹配如下：

DE1（key11，key12，…key1m）DE2（key21，key22，…key2n），keyij 是數據元DEi 的關鍵字。當相似度SIM12=1時，兩個數據項對應的數據元名稱相等。如果數據元名稱不相等，則按以下方法：

其中，DSIM（DE1，DE1）為雙方數據元名稱的編輯距離算法相像度。而KSIM是兩個數據元的關鍵字集合之間的項集相像度：KSIM=交集項個數/并集項個數，得出的結果是杰卡德系數，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：

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

表3 系數選取

為了構建兩個模型的映射，用數據元作為中介，用雙方數據元匹配。不能完全配對，但有較高相像度的，作為可能映射［14］。這里以數據元“尾管懸掛下入深度”為例，按照關鍵詞分類，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 中得出數據元字典中匹配到的前幾個數據元以及相似度結果。

表4 數據元與數據元相像度結果

通過上表得出“試油”數據模型中數據元“尾管懸掛下入深度”與“試油試采”數據模型中數據元“尾管懸掛下入深度”相似度為1，直接匹配。因此，它們所對應的數據項“尾管懸掛下深”和“尾管懸掛下入深度”也能直接匹配。這兩個數據項所對應的表“地質設計鉆井及套管基礎數據表”和“套管基礎數據表”也匹配。

4.2 映射字典設計

通過數據元、數據項和實體對兩個模型表達之后，為數據映射字典打下了基礎，基于XML 的映射字典的設計，用于表達兩個模型的映射聯系［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點，此節點有一個子節點Mapping表示映射關系［17］。

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

4）DRDModel：表示源數據模型。

5）RDLModel：表示目標數據模型。

6）Entities：表示實體，RDL_Entity 是它的一個子節點。

7）RDL_Entity：表示目標數據模型實體，name、code 是它的兩個屬性，分別表示實體名、實體代碼。Source，Row是它的兩個子節點。

8）Source：表示數據來源（源數據模型），此節點有一個子節點DM_Entity。

9）DM_Entity：表示源數據模型，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是它的一個子節點。

11）Attribute：表示屬性，其中它有6 個屬性，RDL_name 表示目標數據模型屬性。RDL_code 表示目標數據模型屬性代碼，element_name 表示數據元名稱，element_code 表示數據元代碼，DM_name表示源數據模型屬性，DM_code表示源數據模型屬性代碼［19］。

映射字典結構如下所示。

<？xml version=“”encoding=“”？>

5 結語

本文通過數據元來表達數據模型中的數據項，并通過關鍵詞來表達數據元的語義。利用編輯距離算法和杰卡德算法的思想，對數據項與數據元進行配對，對數據元與數據元之間的相像性進行配對，間接定位數據項的語義映射聯系，從而得出數據表的映射聯系。最終為表達異構模型的映射引出一個映射文件。將中國石油企業的數據元為試驗數據，對中石油數據模型中的數據項進行了標準化，以保證研究的實用性。