基于本體和元數(shù)據(jù)的出版行業(yè)數(shù)字資產(chǎn)集成方法研究

摘要：為解決出版行業(yè)因數(shù)據(jù)來源多樣和系統(tǒng)異構(gòu)導(dǎo)致的信息整合難題，文章提出一種融合本體與元數(shù)據(jù)的數(shù)據(jù)集成方法。該方法利用關(guān)系數(shù)據(jù)庫構(gòu)建局部本體，結(jié)合四種相似度計(jì)算方法進(jìn)行概念匹配，再通過Sigmoid函數(shù)融合生成綜合相似度矩陣，最終利用穩(wěn)定婚姻算法實(shí)現(xiàn)最優(yōu)映射。為進(jìn)一步提升匹配效果，引入BP神經(jīng)網(wǎng)絡(luò)模型挖掘元數(shù)據(jù)關(guān)聯(lián)信息，共同服務(wù)于全局本體構(gòu)建。實(shí)驗(yàn)表明，該方法在處理復(fù)雜異構(gòu)數(shù)據(jù)方面表現(xiàn)出良好的匹配精度和應(yīng)用價(jià)值，有效提升了數(shù)字資產(chǎn)管理效率。

關(guān)鍵詞：出版行業(yè)；數(shù)據(jù)集成；本體；相似度計(jì)算；元數(shù)據(jù)；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP311" " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號：1009-3044（2025）28-0042-03

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

近年來，隨著信息技術(shù)的快速發(fā)展和智能手機(jī)的普及，電子書、社交媒體及各類應(yīng)用逐漸成為部分讀者獲取知識(shí)的重要方式[1]，對傳統(tǒng)紙質(zhì)圖書形成一定的補(bǔ)充與替代。為適應(yīng)這一趨勢，各出版社積極推進(jìn)數(shù)字出版，推動(dòng)圖書數(shù)字化[2]，并積累了大量數(shù)字資產(chǎn)，成為其核心競爭力。出版社的數(shù)字資產(chǎn)主要包括電子書、期刊等內(nèi)容資源，以及作者信息、銷售記錄等業(yè)務(wù)數(shù)據(jù)[3]。

數(shù)字技術(shù)雖為出版行業(yè)的資產(chǎn)管理帶來了便利，但也引發(fā)了新的挑戰(zhàn)。在數(shù)字化轉(zhuǎn)型中，由于各系統(tǒng)建設(shè)時(shí)間、功能目標(biāo)和數(shù)據(jù)規(guī)范不同，導(dǎo)致數(shù)字資產(chǎn)的管理面臨“數(shù)據(jù)孤島”和異構(gòu)數(shù)據(jù)難以整合的問題[4]，嚴(yán)重影響信息共享與數(shù)據(jù)利用。盡管已有聯(lián)邦數(shù)據(jù)庫、數(shù)據(jù)倉庫、中間件等集成方法，但在處理出版行業(yè)復(fù)雜多源數(shù)據(jù)時(shí)，仍存在語義理解能力不足、關(guān)聯(lián)分析困難以及智能化水平有限等問題。為此，本體作為一種有效的知識(shí)組織工具[5]，能夠提升系統(tǒng)互操作性和數(shù)據(jù)整合能力，為數(shù)字資產(chǎn)的高效集成與智能應(yīng)用提供新思路。

本研究融合本體理論與元數(shù)據(jù)技術(shù)，提出一種適用于出版行業(yè)數(shù)字資產(chǎn)的統(tǒng)一建模方法。該方法實(shí)現(xiàn)了對多源異構(gòu)資源及其關(guān)聯(lián)關(guān)系的形式化表達(dá)與標(biāo)準(zhǔn)化管理，提升了數(shù)據(jù)整合的精度與智能化水平。相比傳統(tǒng)集成方式，該模型在整合能力和信息共享方面更具優(yōu)勢，為智能服務(wù)提供支撐，幫助出版機(jī)構(gòu)更準(zhǔn)確把握市場和用戶需求，增強(qiáng)競爭力。

1 基于本體的多源異構(gòu)數(shù)據(jù)集成方法

1.1 局部本體構(gòu)建

構(gòu)建局部本體的關(guān)鍵是從多源異構(gòu)數(shù)據(jù)中提取核心信息，分析各數(shù)據(jù)庫結(jié)構(gòu)，并將其轉(zhuǎn)化為本體中的類、對象屬性和數(shù)據(jù)屬性等元素。由于關(guān)系數(shù)據(jù)庫與本體在結(jié)構(gòu)上具有相似性，本文設(shè)計(jì)了從數(shù)據(jù)庫到本體的映射規(guī)則[6]，具體如下：

1） 本體類與表名的映射

各個(gè)表名轉(zhuǎn)換為本體中的類。

2） 本體屬性與字段名的映射

① 外鍵字段：映射為對象屬性，定義域?yàn)楫?dāng)前類，值域?yàn)楸灰玫念悺?/p>

② 普通字段： 映射為數(shù)據(jù)屬性，定義域?yàn)樗鶎兕悾涤驗(yàn)樵撟侄蔚臄?shù)據(jù)類型。

3） 本體實(shí)例與數(shù)據(jù)記錄的映射

每條數(shù)據(jù)記錄對應(yīng)一個(gè)本體實(shí)例。

4） 特殊情況

若兩個(gè)表主鍵相同且存在依賴關(guān)系，則建立子類關(guān)系。例如已售圖書表Book_onsell依賴于圖書信息表Book且主鍵相同，因此Book_onsell是Book的子類。

通過上述規(guī)則可將數(shù)據(jù)庫結(jié)構(gòu)轉(zhuǎn)化為局部本體模型。但由于各局部本體之間相互獨(dú)立，可能存在命名和語義上的不一致問題，給數(shù)據(jù)集成帶來挑戰(zhàn)。

1.2 本體映射

本體映射是識(shí)別并建立多個(gè)本體之間對應(yīng)關(guān)系的過程，核心在于計(jì)算概念間的相似性。本文從概念的語義、字符串特征、屬性和實(shí)例四個(gè)維度分別計(jì)算其相似度，并進(jìn)行加權(quán)融合，得到綜合相似度。

1） 基于語義的相似度計(jì)算

針對不同數(shù)據(jù)庫中同一概念可能存在多種表達(dá)的問題，本研究采用WordNet中兩個(gè)概念節(jié)點(diǎn)之間的最短路徑[7]長度衡量語義相似度，計(jì)算公式如下：

[simWordNet（s1，s2）=2×depth（lso（s1，s2））depths1+depths2]" " "（1）

式中：[lsos1，s2]表示概念[s1]和[s2]的最低公共祖先節(jié)點(diǎn)，[depths]表示概念在WordNet語義樹中的深度。

2） 基于字符串的相似度計(jì)算

為彌補(bǔ)語義相似度在詞形和拼寫層面的不足，本文采用結(jié)合詞長信息的編輯距離[8]方法衡量字符串相似性，計(jì)算公式如下：

[simLevenshtein（s1，s2）=1-2*d（s1，s2）ls1+ls2]" " "（2）

式中：[d（s1，s2）]表示概念[s1]和[s2]之間的編輯距離，[ls]表示字符串的長度。

3） 基于屬性的相似度計(jì)算

①數(shù)據(jù)屬性

首先按數(shù)據(jù)類型對本體類的數(shù)據(jù)屬性進(jìn)行分類，得到概念[A]和[B]的數(shù)據(jù)屬性子集，并匹配相同類型屬性，如[Aint，Bint]，然后為每對屬性計(jì)算相似度，構(gòu)造相似度矩陣。匹配時(shí)優(yōu)先選取相似度最高的元素，并刪除其所在行與列，重復(fù)操作直至矩陣為空，得到相似度序列[d=d1，d2，…dq|q=min （i，j）]，屬性子集對的相似度為該序列的平均值，若存在類型缺失或不匹配，則對應(yīng)相似度為 0。最終，數(shù)據(jù)屬性相似度為所有子集對相似度的平均值。

②對象屬性

對象屬性的計(jì)算步驟與數(shù)據(jù)屬性類似，但不需要前期的類型區(qū)分[9]。由于數(shù)據(jù)屬性和對象屬性在概念描述中同等重要，最終屬性相似度取兩者的平均值。

4） 基于實(shí)例的相似度計(jì)算

在評估本體概念相似度時(shí)，若其實(shí)例存在交集，則認(rèn)為概念具有較高相似性，本文使用Jaccard系數(shù)[10]進(jìn)行量化。

本文綜合運(yùn)用四種相似度計(jì)算方法，分別生成對應(yīng)的相似度矩陣。由于各矩陣反映的匹配特征不同，采用Sigmoid函數(shù)對其進(jìn)行非線性加權(quán)融合，根據(jù)分布特性動(dòng)態(tài)調(diào)整權(quán)重，突出高相似度的影響力，構(gòu)建更具區(qū)分度的綜合相似度矩陣。最后，結(jié)合穩(wěn)定婚姻算法實(shí)現(xiàn)一對一最優(yōu)匹配。

2 BP神經(jīng)網(wǎng)絡(luò)與本體關(guān)聯(lián)分析

在基于本體的多源異構(gòu)數(shù)據(jù)集成中，核心是整合各數(shù)據(jù)源的局部本體信息。為提升集成精度，本文引入數(shù)據(jù)庫中的元數(shù)據(jù)資源，其不僅描述數(shù)據(jù)的基本特征，還揭示數(shù)據(jù)間的潛在關(guān)聯(lián)。為挖掘元數(shù)據(jù)價(jià)值，本文采用神經(jīng)網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)分析，通過訓(xùn)練模型發(fā)現(xiàn)其中的隱含規(guī)律，從而優(yōu)化多源數(shù)據(jù)的匹配效果。

2.1 元數(shù)據(jù)提取與標(biāo)準(zhǔn)化

在進(jìn)行匹配計(jì)算前，需從數(shù)據(jù)庫中提取并處理元數(shù)據(jù)，然后將每個(gè)屬性轉(zhuǎn)化為多維特征向量。由于數(shù)據(jù)庫設(shè)計(jì)者會(huì)根據(jù)屬性的特點(diǎn)選擇合適的數(shù)據(jù)類型，因此需要對不同的數(shù)據(jù)類型進(jìn)行區(qū)分，并使用對應(yīng)的數(shù)值表示：int為10、decimal 為20、bit為30；差異較大的數(shù)據(jù)類型如char、money和datetime分別用100、200、300表示，布爾型則用0和1表示。

具體特征提取方式如下：

1） 字符型數(shù)據(jù)：按字節(jié)數(shù)統(tǒng)計(jì)長度并進(jìn)行數(shù)值化處理。

2） 數(shù)字型數(shù)據(jù)：直接分析數(shù)據(jù)實(shí)例中的數(shù)值并提取統(tǒng)計(jì)信息。

3） 稀有型數(shù)據(jù)：如 datetime 類型，提取日期部分作為特征。

為提高神經(jīng)網(wǎng)絡(luò)處理效率，所有特征值均歸一化至[0，1]區(qū)間，公式如下所示：

[fx=2×11+1.01-x-0.5]" " "（3）

2.2 模型訓(xùn)練

為將處理后的特征向量用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，需先確定網(wǎng)絡(luò)輸出格式并準(zhǔn)備對應(yīng)標(biāo)簽數(shù)據(jù)。以Author表為例，在對其元數(shù)據(jù)和結(jié)構(gòu)信息進(jìn)行標(biāo)準(zhǔn)化處理時(shí)，選取了包括數(shù)據(jù)類型、長度、是否可為空、是否為主鍵、精度、小數(shù)位數(shù)、最小值、最大值、平均值及數(shù)字字符比例等指標(biāo)。表1展示了Author表中部分屬性字段的特征信息及其對應(yīng)的輸出向量示例。

在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí)，以表中數(shù)據(jù)為例，首先根據(jù)數(shù)據(jù)特征確定網(wǎng)絡(luò)結(jié)構(gòu)。輸入層包含10個(gè)節(jié)點(diǎn)，對應(yīng)10個(gè)特征；輸出層包含4個(gè)節(jié)點(diǎn)，對應(yīng)4種分類結(jié)果。隱藏層節(jié)點(diǎn)數(shù)依據(jù)經(jīng)驗(yàn)設(shè)定為輸入層與輸出層節(jié)點(diǎn)數(shù)之和的一半。該設(shè)計(jì)在控制模型復(fù)雜度的同時(shí)，也確保其具備足夠的表達(dá)能力。

訓(xùn)練過程首先進(jìn)行前向傳播，隱藏層通過加權(quán)求和并經(jīng)Sigmoid函數(shù)進(jìn)行非線性變換，輸出層使用Softmax函數(shù)生成概率分布。由于初始權(quán)重和偏置是隨機(jī)的，預(yù)測結(jié)果通常偏差較大。為此，采用交叉熵?fù)p失函數(shù)衡量誤差。當(dāng)誤差超過閾值時(shí)，進(jìn)入反向傳播，利用梯度下降法調(diào)整權(quán)重和偏置，逐步減小預(yù)測誤差。隨著迭代進(jìn)行，損失不斷下降，直到滿足精度要求或達(dá)到最大迭代次數(shù)，此時(shí)的參數(shù)即為最優(yōu)模型配置。

2.3" 屬性匹配

屬性匹配過程分為三個(gè)階段：第一階段使用本體相似度算法獲取初始候選匹配；第二階段基于候選對構(gòu)建并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型；第三階段對新屬性進(jìn)行標(biāo)準(zhǔn)化處理后輸入網(wǎng)絡(luò)，完成匹配預(yù)測。該方法融合神經(jīng)網(wǎng)絡(luò)輸出與本體匹配結(jié)果，增強(qiáng)匹配決策的可靠性。例如，一個(gè)表示作者姓名的屬性，經(jīng)特征提取和標(biāo)準(zhǔn)化后得到向量 （0.7，0.2，0，0.005，0，0，0.03，0.08，0.05，0），輸入訓(xùn)練好的網(wǎng)絡(luò)后輸出相似度向量（0.0015，0.012，0.251，0.979），表明該屬性最可能和Name屬性匹配。

為減少因源集合與目標(biāo)集合元素?cái)?shù)量差異帶來的匹配偏差，本文采用雙向選擇策略：分別為源數(shù)據(jù)和目標(biāo)數(shù)據(jù)構(gòu)建獨(dú)立的BP神經(jīng)網(wǎng)絡(luò)模型，分別進(jìn)行正向和反向匹配。正向網(wǎng)絡(luò)以源數(shù)據(jù)為訓(xùn)練集、目標(biāo)數(shù)據(jù)為輸入；反向網(wǎng)絡(luò)則相反。最終取兩個(gè)方向匹配結(jié)果的交集作為最終匹配輸出。該方法有效緩解了不同數(shù)據(jù)模式間的差異，提高了匹配的穩(wěn)定性和魯棒性。

局部本體匹配和神經(jīng)網(wǎng)絡(luò)屬性匹配共同支持全局本體的構(gòu)建。本體融合旨在識(shí)別各局部本體間的關(guān)聯(lián)概念與屬性，并分析其語義異同。融合過程首先計(jì)算概念和屬性的相似度，找出潛在的等價(jià)映射；再結(jié)合元數(shù)據(jù)信息驗(yàn)證匹配結(jié)果的合理性。最終在解決命名沖突、結(jié)構(gòu)差異和語義不一致的基礎(chǔ)上，將多個(gè)局部本體整合為統(tǒng)一、協(xié)調(diào)的全局本體，全面表達(dá)出版領(lǐng)域的核心知識(shí)結(jié)構(gòu)。

3 實(shí)驗(yàn)結(jié)果與分析

本文在本體匹配中融合了多種元數(shù)據(jù)信息，并采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行屬性匹配。考慮到目前缺乏可用于本體與元數(shù)據(jù)關(guān)聯(lián)分析的標(biāo)準(zhǔn)數(shù)據(jù)集，研究基于實(shí)際應(yīng)用場景，對多源系統(tǒng)的原始數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建了實(shí)驗(yàn)所需的數(shù)據(jù)集，以驗(yàn)證方法的實(shí)際效果。

為全面評估本文方法在處理多源異構(gòu)數(shù)據(jù)中的性能，實(shí)驗(yàn)基于圖書信息、作者信息和銷售記錄三類典型業(yè)務(wù)數(shù)據(jù)構(gòu)建數(shù)據(jù)集。通過對其異構(gòu)模式進(jìn)行建模與本體化表示，提取出具有語義描述能力的元數(shù)據(jù)與本體結(jié)構(gòu)。

在實(shí)驗(yàn)過程中，首先采用基于本體的匹配算法進(jìn)行初步匹配；隨后，進(jìn)一步結(jié)合BP神經(jīng)網(wǎng)絡(luò)對本體與元數(shù)據(jù)進(jìn)行聯(lián)合分析。通過兩種方法的實(shí)驗(yàn)對比，驗(yàn)證本文方法在真實(shí)場景中數(shù)據(jù)集成的效果。

相比傳統(tǒng)的單一本體方法，本文提出的結(jié)合元數(shù)據(jù)信息并引入神經(jīng)網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)分析的方法，在數(shù)據(jù)集成任務(wù)中具有更優(yōu)的表現(xiàn)。該方法有效提升了屬性映射的準(zhǔn)確性和匹配質(zhì)量，能夠更好地應(yīng)用于多源異構(gòu)數(shù)據(jù)的集成場景中。

4 結(jié)束語

針對出版行業(yè)數(shù)字資產(chǎn)面臨的海量、多源及語義異構(gòu)問題，本文結(jié)合本體與元數(shù)據(jù)技術(shù)，提出多源異構(gòu)數(shù)據(jù)集成方法。實(shí)驗(yàn)驗(yàn)證表明，該方法有效提升匹配準(zhǔn)確性，具備良好的可行性與應(yīng)用價(jià)值。未來研究將拓展本體構(gòu)建的數(shù)據(jù)來源，完善行業(yè)本體模型，并探索基于集成數(shù)據(jù)的深入應(yīng)用，如數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)，助力出版企業(yè)在數(shù)字資產(chǎn)管理與智能服務(wù)方面的能力提升。

參考文獻(xiàn)：

[1] 蔣賢駿，陶善勇.淺析出版社的數(shù)字資產(chǎn)開發(fā)[J].電腦知識(shí)與技術(shù)，2019，15（3）：201-202.

[2] 秦熹微.傳統(tǒng)圖書出版融合發(fā)展之路[J].中國報(bào)業(yè)，2023（22）：164-165.

[3] 陳源蒸.出版數(shù)字資產(chǎn)管理[J].出版經(jīng)濟(jì)，2004（12）：74-76.

[4] 陳云霄.企業(yè)管理數(shù)字化探究[J].合作經(jīng)濟(jì)與科技，2024（10）：115-117.

[5] 方卿，丁靖佳，王嘉昀.數(shù)字出版知識(shí)服務(wù)進(jìn)展與啟示[J].數(shù)字圖書館論壇，2021（7）：2-9.

[6] 丁嵐，賈琦.一種將關(guān)系數(shù)據(jù)庫轉(zhuǎn)換為OWL本體的方法[J].科技信息，2011（27）：209-210，250.

[7] 孫麗莉，張小剛.基于WordNet的概念語義相似度的計(jì)算方法[J].統(tǒng)計(jì)與決策，2017，33（23）：79-82.

[8] 雷凱博.面向多源異構(gòu)數(shù)據(jù)的集成方法研究與應(yīng)用[D].鄭州：鄭州大學(xué)，2021.

[9] 張聰，王海龍，柳林.紀(jì)檢監(jiān)察領(lǐng)域本體構(gòu)建與元數(shù)據(jù)集成[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)（自然科學(xué)漢文版），2023，52（5）：544-550.

[10] 孫海真，謝穎華.改進(jìn)的多策略的概念相似度計(jì)算方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24（7）：93-98.

【通聯(lián)編輯：光文玲】