金 欣，宗士強，閆晶晶，王 珩，李友江

（1.信息系統(tǒng)工程重點實驗室，江蘇 南京210007；2.南京電子工程研究所，江蘇 南京210007）

1 引言

大數(shù)據(jù)時代的到來引起了學術(shù)界、工業(yè)界乃至政府機構(gòu)的廣泛關(guān)注［1，2］。其重要特征之一是多樣化（Variety）。而其帶來的一大問題是異構(gòu)性（Heterogeneity），令使用者難以采用統(tǒng)一的方法發(fā)現(xiàn)、獲取和利用這些數(shù)據(jù)。這為人們從大數(shù)據(jù)中搜集有用信息和挖掘潛藏價值帶來了極大挑戰(zhàn)。

在公安、交通、銀行、通信、軍事等領(lǐng)域中，需要借助大量的數(shù)據(jù)分析來探尋新的增長點，包括實時/非實時、結(jié)構(gòu)/非結(jié)構(gòu)化、系統(tǒng)內(nèi)部/互聯(lián)網(wǎng)上的等等。然而，不同的信息來源有不同的信息組織方式，如關(guān)系數(shù)據(jù)庫、網(wǎng)頁、文檔、格式化元數(shù)據(jù)和報文等，且在信息內(nèi)容的表達上帶有較強的領(lǐng)域特征，因此體現(xiàn)出較強的異構(gòu)性。同時，這些異構(gòu)信息之間在內(nèi)容上又存在著很多交叉和重疊，例如某條路段的擁堵情況，既可以流量數(shù)據(jù)的形式存于數(shù)據(jù)庫中，也可以自然語言描述的形式存于文本中，還可以實況記錄的形式通過格式化報文發(fā)布，對于關(guān)注該路段擁堵情況的決策者而言，上述形式的信息都是需要獲得的。

面對多樣異構(gòu)的信息來源，為了提高查找效率，用戶不得不耗費大量時間在信息需求的表達上，包括仔細斟酌關(guān)鍵詞以避免跨領(lǐng)域的歧義，判斷目標信息的存儲形式（文本、數(shù)據(jù)庫、實時報文等）以選擇相應(yīng)的需求表達形式（搜索關(guān)鍵詞、數(shù)據(jù)庫查詢語句、報文訂閱請求）等。這些工作分散了決策者的精力，導致決策效率低下。如果有一種語言能夠統(tǒng)一描述用戶的信息需求，并能自動轉(zhuǎn)換成各類信息資源理解的形式，將其反饋的結(jié)果匯總給決策用戶，無疑將提升用戶決策效率。

為此，綜合常見信息需求表達形式的特點，設(shè)計了一種通用信息需求描述語言GIRL（General Information Requirement Language），能夠支持結(jié)構(gòu)化信息查詢、結(jié)構(gòu)/非結(jié)構(gòu)化信息搜索、實時信息訂閱等各類常見信息使用方式。同時，該語言支持“主體屬性”的表達形式，提供了一種相比SPARQL語言較為寬松但適用范圍更廣的淺層語義描述能力，能夠有效屏蔽跨領(lǐng)域的語義異構(gòu)性。通過GIRL能夠?qū)崿F(xiàn)信息需求的統(tǒng)一規(guī)范描述，方便自動化生成，并可保證生成需求描述為各類信息資源正確解析，從而將大數(shù)據(jù)環(huán)境下符合用戶需求的多樣化信息全部搜集過來。

2 需求生成系統(tǒng)簡介

需求生成系統(tǒng)的組成和工作原理如圖1所示。決策用戶在處理同一類事務(wù)時所需的信息類型是基本相同的，例如，銀行網(wǎng)點選址需要當?shù)氐某Ｗ∪丝?、企業(yè)商戶分布、交通規(guī)劃等方面的信息。可以將這種潛在的映射關(guān)系挖掘出來，變?yōu)橐?guī)則存儲在知識庫中。在使用中根據(jù)實際處理的事務(wù)類型調(diào)取相應(yīng)規(guī)則，結(jié)合實際的決策上下文要素，就可以生成實際的信息需求。當用戶輸入查詢關(guān)鍵詞時，也可以根據(jù)問題背景、用戶身份等上下文信息自動添加一些限定。例如交通行業(yè)人員輸入“林肯”時加上“汽車”，軍事人員輸入“林肯”時加上“航母”，外交人員輸入“林肯”時加上“總統(tǒng)”等。

信息需求生成之后交由需求發(fā)布管理模塊，描述為一種通用的語言形式并發(fā)布出去。為了解決跨領(lǐng)域的語義異構(gòu)性問題，需要引入本體技術(shù)［3］，通過定義領(lǐng)域本體或使用開放的公共本體，利用各種匹配映射技術(shù)實現(xiàn)異構(gòu)數(shù)據(jù)間的語義映射。因此，需要設(shè)計這樣一種通用的信息需求描述語言，支持基于本體的語義描述，并能被各類信息資源轉(zhuǎn)換成各自支持的搜索/查詢/訂閱形式，從而使得一次提交的需求能夠同時得到實時/非實時、結(jié)構(gòu)化/非結(jié)構(gòu)化信息源的響應(yīng)。

3 相關(guān)研究

為了提供開放的數(shù)據(jù)共享，各個領(lǐng)域都在嘗試設(shè)計通用的信息需求表達方式。

非結(jié)構(gòu)化信息搜索方面，幾乎所有搜索引擎都支持關(guān)鍵詞組的輸入形式。正是基于這一點，一些元搜索引擎能將用戶的搜索請求轉(zhuǎn)發(fā)給其它搜索引擎，并對它們的結(jié)果進行合并，從而提供一個統(tǒng)一的搜索入口［4，5］。

結(jié)構(gòu)化信息查詢方面，目前有通用的數(shù)據(jù)庫查詢語言SQL（Structured Query Language），但由于書寫復雜，一般都為用戶提供定制的查詢界面。由于不同數(shù)據(jù)庫在字段組成和結(jié)構(gòu)模式的區(qū)別，沒有通用的數(shù)據(jù)庫查詢?nèi)肟凇５?，已有相關(guān)研究利用本體技術(shù)實現(xiàn)異構(gòu)數(shù)據(jù)庫間的映射［3，6］，并使用SPARQL（Simple Protocol And RDF Query Language）［7］實現(xiàn)基于本體的查詢。SPARQL 語言在提供精確語義查詢能力的同時，對信息本身的語義表達規(guī)范形式要求較為嚴格，而互聯(lián)網(wǎng)上的大部分信息并不具備規(guī)范的語義表達形式，因此限制了其適用范圍。

實時信息服務(wù)方面，通常允許用戶以訂閱請求的形式表達需求。有的支持按主題訂閱，有的支持按內(nèi)容訂閱，有明確的報文和訂閱格式，如實時氣象數(shù)據(jù)、實時交通狀況等。這種發(fā)布/訂閱系統(tǒng)和數(shù)據(jù)庫類似，也存在領(lǐng)域異構(gòu)性問題，同樣也有語義發(fā)布/訂閱系統(tǒng)［8，9］的研究。

除了在非結(jié)構(gòu)化信息搜索、結(jié)構(gòu)化信息查詢和實時信息訂閱等各領(lǐng)域內(nèi)部統(tǒng)一信息需求表達形式外，三種形式之間也存在著如何統(tǒng)一的問題。隨著信息共享渠道的增多，在非結(jié)構(gòu)化、結(jié)構(gòu)化、實時信息之間，不可避免地存在各種各樣的內(nèi)容重疊、交叉，信息內(nèi)容和表達形式之間的耦合性逐漸減弱。因此，信息表達形式的兼容性，是提高信息綜合利用效率不可回避的問題。GIRL 就是針對此目標設(shè)計的，它能被解析轉(zhuǎn)換成SPARQL、SQL、關(guān)鍵詞組、訂閱請求等常用語言格式，從而使得一種表達方式能夠為多類信息資源解析，從而通過一次需求的提交就能夠?qū)⒎闲枨蟮膶崟r/非實時、結(jié)構(gòu)/非結(jié)構(gòu)化的信息全部搜集到。

4 GIRL語法規(guī)范

GIRL的語法規(guī)范如圖2 所示，主要由SELECT、WHERE、WHEN 三個字段組成，接下來詳細說明。

4.1 SELECT和WHERE

這兩個字段沿襲于SQL的語法，但加入了“主體→屬性”這樣的語義描述。如圖3所示，一個主體有多個屬性，有的數(shù)值已知，有的未知，未知部分放在SELECT 之后，而已知部分則放在WHERE之后。即先通過WHERE 找到符合需求的主體，進而通過SELECT 找到符合需求的屬性。屬性又分數(shù)值屬性和對象屬性，前者的值為具體數(shù)值，后者則關(guān)聯(lián)到另一個主體。通過對象屬性可以構(gòu)造出一條屬性鏈，形如“主體→對象屬性1→…→對象屬性n→數(shù)值屬性”，例如“SELECT 蘇A12345→駕駛員→所屬公交車隊→隊長→姓名”表示查詢公交車“蘇A12345”的駕駛員所屬車隊隊長的姓名。

Figure 2 GIRL grammar圖2 GIRL語法

關(guān)系數(shù)據(jù)庫中雖未明確定義主體，但隱含主體的概念。一張表代表一類主體，一行代表一個主體，一列代表一個屬性，外鍵代表對象屬性，其它代表數(shù)值屬性，如圖4所示?；趦?nèi)容的發(fā)布/訂閱系統(tǒng)中定義了訂閱條件（Request）和報文內(nèi)容（Content）兩組鍵值對，可以映射為一組關(guān)系模式，如圖5所示。訂閱條件對應(yīng)已知屬性，用于限定報文類型，報文內(nèi)容對應(yīng)未知屬性，它們對應(yīng)同一個主體，隱藏在報文主題中。因此，發(fā)布/訂閱系統(tǒng)與數(shù)據(jù)庫非常類似，只是報文內(nèi)容是動態(tài)變化的，并且是整條發(fā)來的，不像數(shù)據(jù)庫查詢可以只返回某個字段的值。非結(jié)構(gòu)化文本中通常沒有定義主體和屬性，它們隱含在文本中。例如“江蘇省的省會是南京”隱含了“江蘇省→省會＝南京”這樣一條屬性關(guān)系。

Figure 3 Subjects and properties圖3 主體與屬性

Figure 4 Subjects and properties in relational database圖4 關(guān)系數(shù)據(jù)庫中的主體和屬性

Figure 5 Subjects and properties in publish/subscription system圖5 發(fā)布/訂閱系統(tǒng)中的主體和屬性

SELECT 和WHERE項中的屬性鏈可以有多條，相互邏輯關(guān)系用“＆”、“｜｜”表示，代表“與”、“或”。

4.2 WHEN

WHEN 字段描述的是用戶對信息的時效性要求，可以分為持續(xù)型和一次型兩類。

持續(xù)型需求指用戶在一段時間內(nèi)需要獲得持續(xù)更新。START 和END 用于描述持續(xù)時間段，PERIOD 和REPEAT 用于描述實時信息的更新頻率和非實時信息的查新周期。對于實時信息源，前三個字段對應(yīng)于訂閱請求中的起始時間、結(jié)束時間、發(fā)送間隔；對于非實時信息源，要求按照REPEAT 中設(shè)定的周期從START 到END 期間，定期提交重復的需求以實現(xiàn)增量搜索/查詢。

一次型需求只有一次結(jié)果反饋過程?？梢杂肔AST 字段描述信息的新舊程度要求，例如1個月內(nèi)或1天內(nèi)發(fā)布的信息，要求信息源支持按更新時間搜索/查詢。

START、END、PERIOD、REPEAT、LAST 每個字段的值都可以缺省，但LAST 與其它四個字段不可以同時有值，因為一個需求不可能既是持續(xù)型的又是一次型的。

5 GIRL解析轉(zhuǎn)換

5.1 基于本體的轉(zhuǎn)換

（1）非結(jié)構(gòu)化文本的語義搜索。

針對非結(jié)構(gòu)化文本如網(wǎng)頁，通常需要人為地或者借助一些工具［10］對文本進行語義標注，從而生成一段語義描述，而后就可以使用SPARQL 進行語義搜索，方法參見文獻［11］。只要將GIRL 轉(zhuǎn)換成SPARQL就可以實現(xiàn)對非結(jié)構(gòu)化文本的語義搜索，規(guī)則如表1所示。

Table 1 Translation rules from GIRL to SPARQL表1 GIRL向SPARQL的轉(zhuǎn)換規(guī)則

（2）關(guān)系數(shù)據(jù)庫的語義查詢。

使用SPARQL同樣可以實現(xiàn)針對關(guān)系數(shù)據(jù)庫的語義查詢，方法分基于本體匹配和基于本體－關(guān)系模式映射兩類。

基于本體匹配的方法如圖6所示。①各個數(shù)據(jù)庫根據(jù)自己的關(guān)系模式建立領(lǐng)域本體，方法參見文獻［12］；②與用戶領(lǐng)域本體進行匹配建立映射關(guān)系，方法參見文獻［13］；③將收到的GIRL 格式的需求轉(zhuǎn)換成SPARQL 格式，根據(jù)建立的映射關(guān)系通過查詢重寫機制轉(zhuǎn)換成自己領(lǐng)域本體中的術(shù)語，再轉(zhuǎn)變?yōu)檫m合其關(guān)系模式的SQL 語句，方法參見文獻［14］。

基于本體－關(guān)系模式映射的方法如圖7 所示。①維護一套公共本體，各個數(shù)據(jù)庫在自己的關(guān)系模式和公共本體之間建立映射關(guān)系，方法參見［15］；②用戶端基于公共本體生成SPARQL 查詢語句；③各數(shù)據(jù)庫將GIRL格式的需求先轉(zhuǎn)換成SPARQL格式，再通過查詢重寫機制轉(zhuǎn)換成適合其關(guān)系模式的SQL語句，方法同上。

Figure 7 Ontology to relationship mode mapping based method圖7 基于本體－關(guān)系模式映射的方法

第②種方法比第①種省掉了一步轉(zhuǎn)換，但需要領(lǐng)域權(quán)威機構(gòu)制定公共本體，并要求資源端和用戶端都要遵照該標準，適用于軍事、公安等領(lǐng)域；而第①種方法通過本體匹配維護不同領(lǐng)域本體間松耦合的映射關(guān)系，適用于開放領(lǐng)域。

（3）基于本體的語義訂閱。

定義1（關(guān)系數(shù)據(jù)模式） 對于一個關(guān)系數(shù)據(jù)庫D，其關(guān)系數(shù)據(jù)模式可以用一個二元組〈RD，ΣD〉表示，其中RD表示關(guān)系的集合。對于任意關(guān)系r∈RD由一組屬性Ar＝（a1：T1，a2：T2，…，an：Tn）組成，每個屬性有特定的數(shù)據(jù)類型Ti。ΣD表示各關(guān)系及關(guān)系之間所要滿足的完整性約束。

定義2（發(fā)布訂閱模式） 對于一個發(fā)布訂閱系統(tǒng)P，MP為其可訂閱報文類型集合。每一個報文類型m∈MP的發(fā)布訂閱模式可以用一個二元組〈Cm，Rm〉表示。其中Cm表示報文內(nèi)容字段的集合，Rm表示訂閱條件字段的集合。

首先，為發(fā)布/訂閱系統(tǒng)P建立對應(yīng)的數(shù)據(jù)庫關(guān)系模式〈RD，ΣD〉：針對每一個m∈MP，依據(jù)〈Cm，Rm〉生成一個r∈RD，取報文類型的名稱，且對任意c∈Cm，有c∈Ar，對任意r′∈Rm，有r′∈Ar。由于報文類型之間的關(guān)聯(lián)關(guān)系在大多數(shù)發(fā)布/訂閱系統(tǒng)中都沒有明確定義，因此ΣD設(shè)置為空。

接著實現(xiàn)基于本體的語義訂閱：①將GIRL 轉(zhuǎn)換成針對RD的SQL語句，方法同上；②根據(jù)SQL語句生成報文類型篩選條件，如表2所示，其中表格名稱X對應(yīng)于報文類型名稱，Do（X.Rm.B）表示字段B的值域；③根據(jù)SQL 語句生成針對該報文類型的訂閱請求，如表3所示，其中X.Rm（）是X類報文訂閱請求的構(gòu)造函數(shù)。

Table 2 Translation rules from SQL to subscription request表2 SQL向訂閱請求的轉(zhuǎn)換規(guī)則

Figure 6 Ontology match based method圖6 基于本體匹配的方法

Table 3 Translation rules of GIRL without ontology support表3 GIRL無本體支持轉(zhuǎn)換規(guī)則

5.2 無本體支持的轉(zhuǎn)換

基于本體的方法能解決跨領(lǐng)域異構(gòu)性問題，但需要信息資源端在現(xiàn)有基礎(chǔ)上做一些工作，包括本體構(gòu)建、關(guān)系模式映射等，有一定工作量，不一定能廣為接受。因此，GIRL 還應(yīng)當能夠為那些不支持本體技術(shù)的普通信息資源解析轉(zhuǎn)換，雖然會損失掉一部分語義，仍然能夠獲得它們的響應(yīng)。表4中是GIRL在無本體支持的情況下向SQL、關(guān)鍵詞組和訂閱請求的轉(zhuǎn)換規(guī)則。

6 方法驗證

為了驗證上述方法的可行性，開展了測試實驗。作為實驗環(huán)境，以某交通系統(tǒng)為例構(gòu)建了一個標準數(shù)據(jù)集，包含20個數(shù)據(jù)庫、10個發(fā)布/訂閱系統(tǒng)以及兩個內(nèi)部搜索引擎。其中，針對五個數(shù)據(jù)庫、四個發(fā)布/訂閱系統(tǒng)建立了領(lǐng)域本體，同時建立了一個用戶領(lǐng)域本體，共計定義概念84 個，關(guān)系28個，實例約2 000個，其中部分本體及相互映射關(guān)系如圖8所示。兩個搜索引擎中有一個支持語義搜索，同時還針對部分源文檔建立了語義描述。

針對實驗的開展，從交通領(lǐng)域中選取了50余種常見的決策信息需求，例如：某時段某路段的平均單向/雙向車行流量、某片區(qū)內(nèi)擁堵情況發(fā)生頻率較高的路段和時段、某限行路段內(nèi)交通事故的發(fā)生頻率及常見事故類型和事故造成的死亡人數(shù)等，由于篇幅原因不一一列舉。以“近30日內(nèi)早高峰時段中山東路路段的平均單向/雙向車行流量”為例，GIRL形式的需求描述如表4所示。

Table 4 Example of information requirement description表4 信息需求描述示例

在依據(jù)該需求搜集到的118 條結(jié)果中，有60條是來自于兩個不同交通信息數(shù)據(jù)庫的結(jié)構(gòu)化數(shù)據(jù)，其中每條數(shù)據(jù)代表某日統(tǒng)計的平均車行流量；有48條是來自兩個交通實況發(fā)布系統(tǒng)的交通實況通報報文；還有10條是通過兩個搜索引擎獲得的文本格式的路況報道。由此可證明，使用GIRL 語言統(tǒng)一描述的信息需求被提交后能夠得到關(guān)系數(shù)據(jù)庫、搜索引擎、實時信息發(fā)布系統(tǒng)三種類型信息來源的響應(yīng)，將符合需求的結(jié)構(gòu)化、非結(jié)構(gòu)化、實時信息全部搜集到。

Figure 8 Part of mapping relationships among ontologies built from different relationship modes圖8 依據(jù)不同關(guān)系模式建立的本體及其間的映射關(guān)系截取

為了驗證準確性，選取了20個典型決策信息需求進行了兩組實驗，一組有本體支持，一組沒有，針對每一組查詢結(jié)果計算查全率和查準率。GIRL語法中雖然提供了“主體屬性”的語義描述形式，但要保證被正確解析還需要本體的支持，因此以有無本體為開關(guān)，對比用和不用語義的區(qū)別。在表4對應(yīng)的實驗中，“平均單向車行流量”被映射成“平均單方向行駛流量”、“單向行車流量均值”等多種表達形式，分別對應(yīng)不同數(shù)據(jù)庫、發(fā)布系統(tǒng)中的表達形式。實驗結(jié)果如圖9所示，有本體支持的查全率和查準率都有不同程度的提高，表明基于本體的方法能夠有效屏蔽多源信息的異構(gòu)性，提升信息搜集的全面性和精準性。由于數(shù)據(jù)集規(guī)模較小，無法模擬真實的大數(shù)據(jù)環(huán)境，但數(shù)據(jù)集的異構(gòu)特性是模仿大數(shù)據(jù)環(huán)境設(shè)計的，因此實驗結(jié)果在一定程度上能夠說明問題。

7 結(jié)束語

大數(shù)據(jù)時代的到來，使得決策信息的搜集更加困難。本文提出了一種通用信息需求描述語言，設(shè)計了其語法規(guī)范及其為常用信息資源解析轉(zhuǎn)換的方法。其優(yōu)點在于：面向大數(shù)據(jù)環(huán)境，用戶無需確知其所需信息的來源和存儲、組織形式，也無需考慮跨領(lǐng)域的語義異構(gòu)性問題，而是采用一種通用的形式表達其信息需求，并統(tǒng)一搜集、匯聚符合需求的、多來源的、多樣化信息，從而提高用戶面向決策獲取信息的效率。下一步將研究用戶決策事務(wù)與所需信息類型之間的映射關(guān)系，以實現(xiàn)GIRL形式需求的自動生成。

Figure 9 Comparison of performance圖9 性能對比

［1］ Big data across the federal government［EB/OL］.［2012－10－02］. http：//www.unglobalpulse.org/projects/BigDataforDevelopment.

［2］ Qian K，Cheng G.Application of cloud computing technology in information systems［J］.Command Information System and Technology，2012，3（4）：51－54.

［3］ Rahm E，Bernstein P A.A survey of approaches to automatic schema matching ［J］.The International Journal on Very Large Databases，2001，10（4）：334－350.

［4］ Wrubel L，Schmidt K.Usability testing of a metasearch interface：A case study［J］.College and Research Libraries，2007，68（4）：292－311.

［5］ Sadeh T.Transforming the metasearch concept into a friendly user experience［J］.Internet Reference Services Quarterly，2007，12（1）：1－25.

［6］ Anhai D，Alon Y H.Semantic－integration research in the database community：A brief survey［J］.AI Magazine，Special Issue on Semantic Integration，2005，26（1）：83－94.

［7］ Eric P，Andy S.Sparql query language for rdf w3crecommendation［EB/OL］.［2008－10－23］.http：//www.w3.org/TR/rdf－sparql－query/.

［8］ Buchmann A，Bornhovd C，Cilia M，et al.DREAM：Distributed reliable event－based application management［M］∥Levene M，Poulovassilis A，eds.Web Dynamics，Berlin：Springer－Verlag，2004：319－352.

［9］ Wang Jin－ling.Research on key technologies in internet－scale publish/subscribe systems［D］.Beijing：Institute of Software，the Chinese Academy of Sciences，2005.（in Chinese）

［10］ Dill S，Eiron N，Gibson D，et al.SemTag and seeker：Bootstrapping the semantic web via automated semantic annotation［C］∥Proc of the 12th International Conference on World Wide Web，2003：178－186.

［11］ Li Hui－ying，Qu Yu－zhong.Keyword－based search on semantic web data：The state of the art［J］.Computer Science，2011，38（7）：18－23.（in Chinese）

［12］ Astrova I.Towards the semantic web－An approach to reverse engineering of relational databases to ontologies［C］∥Proc of the 9th East－European Conference on Advances in Databases and Information Systems，2005：111－122.

［13］ Hu W，Qu Y，Cheng G.Matching large ontologies：A divideand－conquer approach ［J］.Data ＆ Knowledge Engineering，2008，67（1）：140－160.

［14］ Enrico F，Volha K，Nhung N.Exact query reformulation with first－order ontologies and databases［C］∥Proc of JELIA’12，2012：202－214.

［15］ Hu W，Qu Y.Discovering simple mappings between relational database schemas and ontologies［C］∥Proc of the 6th International Semantic Web Conference and the 2nd Asian Semantic Web Conference，2007：225－238.

附中文參考文獻：

［9］ 汪錦嶺.面向Internet的發(fā)布/訂閱系統(tǒng)的關(guān)鍵技術(shù)研究［D］.北京：中國科學院軟件研究所，2005.

［11］ 李慧穎，瞿裕忠.基于關(guān)鍵詞的語義網(wǎng)數(shù)據(jù)查詢研究綜述［J］.計算機科學，2011，38（7）：18－23.