段玉聰,邵禮旭,曹步清,孫小兵,齊連永

(1.海南大學(xué)信息科學(xué)技術(shù)學(xué)院,海南 ?？?570228;2.湖南科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,湖南 湘潭 411201;3.揚(yáng)州大學(xué)信息工程學(xué)院,江蘇 揚(yáng)州 225127;4.曲阜師范大學(xué)信息科技與工程學(xué)院,山東 濟(jì)寧 276826)

1 引言

知識(shí)圖譜已經(jīng)成為用帶有標(biāo)記的有向圖的形式來(lái)表示知識(shí)，并能賦予文本信息語(yǔ)義的強(qiáng)大工具。知識(shí)圖譜是以節(jié)點(diǎn)的形式將項(xiàng)目、實(shí)體或用戶(hù)表示出來(lái)，以邊的形式將相互作用的節(jié)點(diǎn)鏈接起來(lái)構(gòu)造的圖形，邊可以表示任何語(yǔ)義關(guān)系。知識(shí)庫(kù)包含一組概念、實(shí)例和關(guān)系[1]。劉嶠等[2]將知識(shí)圖譜的構(gòu)建按照知識(shí)獲取的過(guò)程分為信息抽取、知識(shí)融合和知識(shí)加工三個(gè)層次，定義知識(shí)圖譜是一個(gè)具有屬性的實(shí)體通過(guò)關(guān)系鏈接而成的網(wǎng)狀知識(shí)庫(kù)。Cowie等[3]將信息抽取劃分為實(shí)體、關(guān)系和屬性三個(gè)層次，Sekine等[4]提出了一種包含150種實(shí)體的命名實(shí)體分類(lèi)體系。Sen[5]采用主題模型作為相似度計(jì)算的依據(jù)，從維基百科中獲取了實(shí)體目錄，消除不可見(jiàn)文本的引用。Malin等[6]提出利用隨機(jī)漫步模型對(duì)演員合作網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行實(shí)體消歧，并取得了比基于文本相似度模型更好的消歧效果。Wu等[7]選擇維基百科作為數(shù)據(jù)源，通過(guò)自動(dòng)抽取生成訓(xùn)練語(yǔ)料，將其應(yīng)用于對(duì)非結(jié)構(gòu)化數(shù)據(jù)的實(shí)體屬性抽取。對(duì)于關(guān)系抽取，出現(xiàn)了大量基于特征向量或核函數(shù)[8]的監(jiān)督學(xué)習(xí)方法、半監(jiān)督學(xué)習(xí)方法[9]和弱監(jiān)督學(xué)習(xí)方法[10]。Banko等[11]提出了面向開(kāi)放域的信息抽取方法框架并發(fā)布了基于自監(jiān)督學(xué)習(xí)方式的開(kāi)放信息抽取原型系統(tǒng)。Chaim[12]定義了數(shù)據(jù)、信息和知識(shí)等概念，認(rèn)為軟件服務(wù)系統(tǒng)的開(kāi)發(fā)可以從數(shù)據(jù)、信息和知識(shí)的角度分為數(shù)據(jù)共享、信息傳遞和知識(shí)創(chuàng)造等階段[13]。Duan等[14]分別從數(shù)據(jù)、信息、知識(shí)和智慧方面闡明了知識(shí)圖譜的架構(gòu)并提出通過(guò)構(gòu)建數(shù)據(jù)圖譜、信息圖譜和知識(shí)圖譜的架構(gòu)回答5W問(wèn)題[15]。

2 資源類(lèi)型及圖譜定義

從拓展現(xiàn)有知識(shí)圖譜(Knowledge Graph)概念的角度出發(fā)，本文提出了一種基于數(shù)據(jù)圖譜DGDIK(Data GraphDIK)、信息圖譜IGDIK(InformationDIK)和知識(shí)圖譜KGDIK(Knowledge GraphDIK)三層的可自動(dòng)抽象調(diào)整的解決架構(gòu)，通過(guò)對(duì)海量資源進(jìn)行合理組織和存儲(chǔ),達(dá)到在資源存儲(chǔ)空間中以最高搜索效率找到滿(mǎn)足用戶(hù)檢索需求資源的目標(biāo)。本文對(duì)資源元素形態(tài)和圖譜的定義如下所示：

定義1(資源元素(ElementsDIK)) 資源元素包括數(shù)據(jù)資源、信息資源和知識(shí)資源三種形態(tài)。ElementsDIK:=〈DataDIK,InformationDIK,KnowledgeDIK〉。

定義2(圖譜(GraphDIK)) 本文對(duì)已有知識(shí)圖譜的概念進(jìn)行拓展，將圖譜的表達(dá)分為數(shù)據(jù)圖譜、信息圖譜和知識(shí)圖譜三層。

GraphDIK:=〈(DGDIK)，(IGDIK)，(KGDIK)〉。

本文對(duì)應(yīng)于DataDIK、InformationDIK、KnowledgeDIK和智慧的遞進(jìn)層次在整體上澄清知識(shí)圖譜的表達(dá)，將知識(shí)圖譜劃分為DGDIK、IGDIK、KGDIK和智慧圖譜四個(gè)層面?，F(xiàn)階段本文基于前三層架構(gòu)對(duì)類(lèi)型化的資源進(jìn)行構(gòu)建、存儲(chǔ)、處理和展示，在DGDIK層面上對(duì)通過(guò)直接觀(guān)察到的DataDIK進(jìn)行建模，在IGDIK和KGDIK上分析自適應(yīng)的自動(dòng)抽象的資源優(yōu)化過(guò)程，以支持兼容經(jīng)驗(yàn)知識(shí)的引入和高效的自動(dòng)語(yǔ)義分析，在KGDIK上通過(guò)關(guān)系推理擴(kuò)展圖譜的點(diǎn)密度和邊密度。表1為對(duì)DataDIK、IntormationDIK和KnowledgeDIK等形態(tài)的資源以及對(duì)應(yīng)圖譜層次的介紹。

Table 1 Explanation for resource type

定義3(數(shù)據(jù)圖譜(DGDIK))

DGDIK:=collection{array,list,stack,queue,tree,graph}。

DGDIK是各種數(shù)據(jù)結(jié)構(gòu)包括數(shù)組、鏈表、棧、隊(duì)列、樹(shù)和圖等的集合。DGDIK上未對(duì)DataDIK的準(zhǔn)確性進(jìn)行分析，可能出現(xiàn)不同名稱(chēng)的DataDIK但表達(dá)相同含義，即冗余。DGDIK只能對(duì)圖譜上表示的DataDIK進(jìn)行靜態(tài)分析，無(wú)法分析和預(yù)測(cè)DataDIK的動(dòng)態(tài)變化。DataDIK是通過(guò)觀(guān)察獲得的數(shù)字或其他類(lèi)型信息的基本個(gè)體項(xiàng)目，在沒(méi)有上下文語(yǔ)境的情況下，DataDIK沒(méi)有意義。

定義4(信息圖譜(IGDIK))

IGDIK:=combination{relatedDataDIK}。

IGDIK是相互關(guān)聯(lián)的DataDIK的組合，InformationDIK是通過(guò)DataDIK和DataDIK組合之后的上下文傳達(dá)的，經(jīng)過(guò)概念映射和相關(guān)關(guān)系組合之后的適合分析和解釋的信息。在IGDIK上可進(jìn)行數(shù)據(jù)清洗，消除冗余數(shù)據(jù)。

定義5(知識(shí)圖譜(KGDIK))

KGDIK:=collection{StatisticRules}。

KGDIK實(shí)質(zhì)是語(yǔ)義網(wǎng)絡(luò)，包括由InformationDIK總結(jié)出的統(tǒng)計(jì)規(guī)則的集合。KGDIK蘊(yùn)含豐富的語(yǔ)義關(guān)系，在KGDIK上通過(guò)信息推理和實(shí)體鏈接可提高KGDIK的邊密度和節(jié)點(diǎn)密度，KGDIK的無(wú)結(jié)構(gòu)特性使得其自身可以無(wú)縫鏈接。信息推理需要有相關(guān)關(guān)系規(guī)則的支持，這些規(guī)則可以由人手動(dòng)構(gòu)建，但往往耗時(shí)費(fèi)力，得到復(fù)雜關(guān)系中的所有推理規(guī)則更加困難。使用路徑排序算法將每個(gè)不同的關(guān)系路徑作為一維特征，通過(guò)在KGDIK中構(gòu)建關(guān)系路徑來(lái)構(gòu)建關(guān)系分類(lèi)的特征向量和關(guān)系分類(lèi)器提取關(guān)系。

3 面向事務(wù)處理的時(shí)空效率優(yōu)化方法

3.1 問(wèn)題的輸入

首先，給出本文所討論的問(wèn)題的輸入。

定義6(事務(wù)性搜索目標(biāo)資源集合) 本文將事務(wù)性搜索目標(biāo)資源集合定義為T(mén)SR:={TSRD,TSRI,TSRK}，TSR的類(lèi)型集合為T(mén)TSR={ttsrD,ttsrI,ttsrK}，每種資源的規(guī)模為ATSR={atsrD,atsrI,atsrK}。

定義7(資源存儲(chǔ)空間(RSS)) 本文將資源存儲(chǔ)空間定義為RSS:={RSSD,RSSI,RSSK}，RSS的類(lèi)型集合為T(mén)RSS={trssD,trssI,trssK}，每種資源的規(guī)模為ARSS={arssD,arssI,arssK}。

圖1展示了事務(wù)資源的元模型，對(duì)資源處理框架的構(gòu)建和資源建模可提供資源共享、個(gè)性化推薦等服務(wù)。在建模過(guò)程中，資源類(lèi)型轉(zhuǎn)換是有必要的，資源類(lèi)型轉(zhuǎn)換與目標(biāo)類(lèi)型和資源轉(zhuǎn)換的規(guī)模有關(guān)，并取決于用戶(hù)期望投入。

Figure 1 Meta model of transaction resources圖1 事務(wù)型資源元模型

(1)DataDIK到InformationDIK的轉(zhuǎn)換。

在沒(méi)有上下文背景的情況下DataDIK沒(méi)有語(yǔ)義，通過(guò)概念映射和聚類(lèi)對(duì)直接觀(guān)察得到的DataDIK進(jìn)行處理，將DataDIK進(jìn)行重組和分類(lèi)，重組后的DataDIK集合對(duì)應(yīng)不同的類(lèi)或者概念，由此得到InformationDIK。

(2)InformationDIK到KnowledgeDIK的轉(zhuǎn)換。

InformationDIK用來(lái)表達(dá)實(shí)體之間的交互和協(xié)作，通過(guò)分類(lèi)和抽象交互記錄或行為記錄得到有關(guān)實(shí)體動(dòng)態(tài)行為的統(tǒng)計(jì)規(guī)則，即KnowledgeDIK。KnowledgeDIK可以從已知資源中推斷得出，推斷過(guò)程中缺乏的必要信息可通過(guò)適當(dāng)?shù)难芯考夹g(shù)來(lái)收集，例如實(shí)驗(yàn)、調(diào)查等。

(3)DataDIK到KnowledgeDIK的轉(zhuǎn)換。

DataDIK可以從標(biāo)準(zhǔn)的模式中繼承語(yǔ)義關(guān)系，被有效地集成并被其他應(yīng)用重用，海量的DataDIK在集成融合過(guò)程中會(huì)存在冗余、不一致等現(xiàn)象，在DataDIK向KnowledgeDIK的轉(zhuǎn)換過(guò)程中，通過(guò)鏈接數(shù)據(jù)來(lái)源以及納入語(yǔ)義約束識(shí)別出最可靠的DataDIK進(jìn)行融合得到KnowledgeDIK。

圖2給出了由DataDIK轉(zhuǎn)換成KnowledgeDIK的例子，不同來(lái)源的DataDIK(來(lái)源1的DataDIK和來(lái)源2的DataDIK)在集成融合過(guò)程中發(fā)生沖突，此時(shí)通過(guò)引入額外的語(yǔ)義約束“專(zhuān)利類(lèi)型包括發(fā)明專(zhuān)利和實(shí)用新型專(zhuān)利”，排除錯(cuò)誤DataDIK“A機(jī)構(gòu)專(zhuān)利數(shù)量為100”。

Figure 2 An example of conversion from DataDIK to KnowledgeDIK 圖2 DataDIK向KnowledgeDIK轉(zhuǎn)換示例

(4)InformationDIK到DataDIK的轉(zhuǎn)換。

InformationDIK到DataDIK的轉(zhuǎn)換過(guò)程是從概念集合到資源實(shí)例的轉(zhuǎn)換。InformationDIK表達(dá)了實(shí)體之間的動(dòng)態(tài)交互和協(xié)作，觀(guān)察實(shí)體對(duì)象在某一時(shí)刻的靜態(tài)狀態(tài)得到DataDIK。

(5)KnowledgeDIK到DataDIK的轉(zhuǎn)換。

根據(jù)知識(shí)推理，對(duì)抽取出的KnowledgeDIK集合建立相關(guān)實(shí)例，知識(shí)節(jié)點(diǎn)之間的關(guān)系以屬性的方式與實(shí)例相關(guān)聯(lián)，得到DataDIK。

(6)KnowledgeDIK到InformationDIK的轉(zhuǎn)換。

由已知的KnowledgeDIK通過(guò)邏輯推理挖掘隱式存在的資源，知識(shí)圖譜的無(wú)結(jié)構(gòu)特征使得其可以鏈接和利用更豐富的知識(shí)庫(kù)幫助用戶(hù)做決策，從知識(shí)檢索到知識(shí)創(chuàng)造的過(guò)程中得到InformationDIK。

3.2 問(wèn)題形式化描述

如圖3所示，其特征在于以計(jì)算來(lái)決定存儲(chǔ)，以存儲(chǔ)來(lái)服務(wù)搜索，將以DataDIK、InformationDIK和KnowledgeDIK等形態(tài)存在的資源根據(jù)在DGDIK、IGDIK和KGDIK上搜索的代價(jià)進(jìn)行存儲(chǔ)，發(fā)現(xiàn)資源搜索和存儲(chǔ)的最優(yōu)方案，優(yōu)化資源處理和存儲(chǔ)的時(shí)空效率。

Figure 3 Resource type combination scheme圖3 資源類(lèi)型組合方案

3.2.1 資源類(lèi)型轉(zhuǎn)移代價(jià)計(jì)算

問(wèn)題假定1：假定TSR中資源已在RSS中以任意一種方式存儲(chǔ)完畢。

對(duì)TSR中資源的類(lèi)型集合TTSR的每個(gè)元素依次取ElementsDIK中的值，形成組合情形TTSR={ttsrD,ttsrI,ttsrK}，TSR中單位資源向ElementsDIK中定義的資源類(lèi)型轉(zhuǎn)換的原子代價(jià)如表2所示，則TSR中所有的資源向賦值后對(duì)應(yīng)類(lèi)型資源轉(zhuǎn)移的代價(jià)(CostMT1)可根據(jù)公式(1)來(lái)計(jì)算：

*ARRS

(1)

Table 2 Atomic cost for conversionof unit resource type in TSR

*ARSS

(2)

Table 3 Atomic cost for conversion ofunit resource type in RSS

3.2.2 處理TSR中資源的計(jì)算代價(jià)

綜合考慮存儲(chǔ)代價(jià)和搜索代價(jià)的計(jì)算，在不超過(guò)用戶(hù)投入的方案中選擇綜合代價(jià)最低的方案對(duì)資源搜索機(jī)制和資源存儲(chǔ)方案進(jìn)行調(diào)整，根據(jù)公式(3)計(jì)算在RSS中搜索TSR中資源所要花費(fèi)的計(jì)算代價(jià)(Costc)：

αARSS*SCost+βARSS′

(3)

其中,α和β分別表示圖譜規(guī)模和資源類(lèi)型轉(zhuǎn)換代價(jià)占Costc的權(quán)重，均可通過(guò)數(shù)據(jù)訓(xùn)練得出，ARSS′表示進(jìn)行類(lèi)型轉(zhuǎn)換之后的資源規(guī)模。RSS中搜索單位資源TSR的原子代價(jià)如表4所示。

Table 4 Atomic cost for searchingunit TSR resource in RSS

3.2.3 存儲(chǔ)與計(jì)算協(xié)同調(diào)整的總代價(jià)計(jì)算

本文假定已提前獲取到用戶(hù)的預(yù)期投入(Inve0)和用戶(hù)所能接受的最大總代價(jià)(Total_Cost0)。根據(jù)CostMT1、CostMT2和Costc，計(jì)算TSR資源從當(dāng)前狀態(tài)向TTSR中資源類(lèi)型轉(zhuǎn)移的代價(jià)和TRSS中資源向RSS中資源狀態(tài)轉(zhuǎn)移的代價(jià)以及計(jì)算代價(jià)的總和(Total_Cost)，計(jì)算方式如公式(4)所示：

Total_Cost=CostMT1+CostMT2+Costc

(4)

將不同情形下Total_Cost的值與Total_Cost0進(jìn)行比較，并將與計(jì)算所得的Total_Cost對(duì)應(yīng)的方案所需用戶(hù)投入(Inve)和Inve0作比較，判斷是否滿(mǎn)足條件“Total_CostTotal_Cost0時(shí)，執(zhí)行下一步操作；用戶(hù)投入計(jì)算方法如公式(5)所示：

Inve=γ*Total_Cost0-Total_Cost

(5)

其中，γ表示單位代價(jià)所需投入，可通過(guò)數(shù)據(jù)訓(xùn)練得出。

抓培訓(xùn)，干部隊(duì)伍素質(zhì)進(jìn)一步提升。林芝市局領(lǐng)導(dǎo)班子高度重視干部培訓(xùn)工作，積極組織干部赴成都、北京、拉薩、廣東、福建等地參加“四品一械”相關(guān)培訓(xùn)，自主舉辦食品安全、食品藥品抽樣、食品藥品安全協(xié)管員培訓(xùn)班等各類(lèi)培訓(xùn)16期，參訓(xùn)人數(shù)共計(jì)2000余人次。

算法1計(jì)算資源類(lèi)型不同組合情形下的總代價(jià)

輸入：TSR，RSS，ElementsDIK，TotalCost0，Inve0。

輸出：TSR和RSS中資源類(lèi)型組合的最小總代價(jià)。

FOR eachttsrDo

Assign value fromElementsDIK;

ComputeCostMT1;

FOR eachtrssDo

Assign value fromElementsDIK;

ComputeCostMT2,Total_Cost;

IF (Total_Cost

Total_Cost0=Total_Cost;

事務(wù)處理效率優(yōu)化方法的流程如圖4所示。

Figure 4 Process of the collaborative storage and computation adaptation 圖4 存儲(chǔ)與計(jì)算一體化方法流程

算法1描述了TSR和RSS中資源不同類(lèi)型的組合情況，計(jì)算每種情況下TSR中資源向TTSR中資源類(lèi)型轉(zhuǎn)移的代價(jià)，TRSS中資源狀態(tài)向RSS轉(zhuǎn)移的代價(jià)，以及每種組合情況下在RSS中搜索TSR中資源的計(jì)算代價(jià)，找出不超過(guò)用戶(hù)投入且具有最小Total_Cost的方案作為協(xié)同調(diào)整資源的最優(yōu)方案。

4 資源類(lèi)型轉(zhuǎn)換效果示意

本文將提出的優(yōu)化方法應(yīng)用于以下場(chǎng)景：資源庫(kù)中有一個(gè)用戶(hù)訂單表，并關(guān)聯(lián)了用戶(hù)信息表，訂單表中有1 000萬(wàn)條用戶(hù)記錄信息，用戶(hù)信息表中有100萬(wàn)條用戶(hù)采購(gòu)記錄信息。依據(jù)用戶(hù)的訂單記錄給用戶(hù)推薦合適的產(chǎn)品時(shí)，傳統(tǒng)方法是從這1 000萬(wàn)條記錄中查找出對(duì)應(yīng)用戶(hù)id的記錄然后通過(guò)分庫(kù)、分表等操作進(jìn)行查詢(xún)，然而要在一臺(tái)服務(wù)器的基礎(chǔ)上不做分庫(kù)、分表，就要從這100萬(wàn)個(gè)用戶(hù)數(shù)據(jù)關(guān)聯(lián)的1 000萬(wàn)個(gè)訂單記錄中，提取出用戶(hù)消費(fèi)相關(guān)產(chǎn)品的知識(shí)體系，例如按年齡劃分等，依據(jù)知識(shí)來(lái)給用戶(hù)進(jìn)行推薦。本文構(gòu)建的知識(shí)體系形成了新的表，這些新的包含知識(shí)的表比原有記錄表的規(guī)模小很多，時(shí)間是查詢(xún)某個(gè)用戶(hù)id訂單記錄的時(shí)間和通過(guò)知識(shí)推理得出的時(shí)間。如圖5所示，本文將不轉(zhuǎn)換資源類(lèi)型(方案0)推薦結(jié)果準(zhǔn)確度設(shè)為1，通過(guò)比較不同方案向用戶(hù)推薦的產(chǎn)品的相似度來(lái)衡量用戶(hù)滿(mǎn)意度。

Figure 5 Accuracy comparison of resource type conversion results圖5 資源類(lèi)型轉(zhuǎn)換結(jié)果準(zhǔn)確度比較

本文將用戶(hù)訂單表關(guān)聯(lián)的用戶(hù)根據(jù)年齡進(jìn)行劃分，再結(jié)合采購(gòu)記錄，建立不同年齡段對(duì)商品的偏好體系，例如15～20歲用戶(hù)常買(mǎi)學(xué)習(xí)用品，20～40歲用戶(hù)常買(mǎi)服裝個(gè)護(hù)用品，40～55歲用戶(hù)常買(mǎi)生活用品。同時(shí)為500個(gè)用戶(hù)進(jìn)行商品推薦，方案1～方案4分別是為100個(gè)、200個(gè)、300個(gè)、400個(gè)用戶(hù)按推理出的商品采購(gòu)偏好知識(shí)體系進(jìn)行推薦，剩余用戶(hù)按分庫(kù)分表進(jìn)行查詢(xún)，根據(jù)查詢(xún)結(jié)果進(jìn)行相似商品推薦。不同方案之間資源類(lèi)型轉(zhuǎn)換的目標(biāo)類(lèi)型和轉(zhuǎn)換規(guī)模不同，隨著用戶(hù)采購(gòu)商品的記錄數(shù)量增多，推薦商品一致性與傳統(tǒng)方法的相似度逐漸升高。知識(shí)體系是經(jīng)過(guò)抽象后的可推理的規(guī)則，在提取知識(shí)體系的過(guò)程中所消耗的計(jì)算資源和存儲(chǔ)資源都會(huì)降低，通過(guò)計(jì)算未轉(zhuǎn)換資源類(lèi)型和轉(zhuǎn)換資源類(lèi)型后不同方案的代價(jià)差異，選擇在用戶(hù)投入范圍內(nèi)具有最大效益比的方案對(duì)優(yōu)化資源存儲(chǔ)和計(jì)算。

5 相關(guān)工作

Mccarthy等[16]使用決策樹(shù)來(lái)學(xué)習(xí)如何在商業(yè)合資企業(yè)領(lǐng)域分類(lèi)不同短語(yǔ)的系統(tǒng)，解決共指消解問(wèn)題。本體被用作語(yǔ)義網(wǎng)中的知識(shí)表示的標(biāo)準(zhǔn)形式[17]，微軟發(fā)布的Probase利用統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法以數(shù)據(jù)驅(qū)動(dòng)的方法構(gòu)建本體[18]。MongoDB作為一種基于分布式文件存儲(chǔ)的數(shù)據(jù)庫(kù)，不適用于高度事務(wù)性的系統(tǒng)，基于DGDIK、IGDIK和KGDIK三層架構(gòu)對(duì)資源進(jìn)行建模，以節(jié)點(diǎn)和邊的形式存儲(chǔ)資源，圖譜對(duì)自然語(yǔ)言的映射更完整，可以表達(dá)實(shí)體間任意的語(yǔ)義關(guān)系及與或非等邏輯關(guān)系。Wang 等[19]通過(guò)概念注釋來(lái)促進(jìn)跨語(yǔ)言知識(shí)鏈接，促進(jìn)不同語(yǔ)言的知識(shí)共享。潘偉豐等[20]提出服務(wù)分類(lèi)方法并用于服務(wù)注冊(cè)管理系統(tǒng)中，為服務(wù)提供分類(lèi)信息，提高服務(wù)發(fā)現(xiàn)、檢索以及服務(wù)資源管理的效率。

6 結(jié)束語(yǔ)

本文的貢獻(xiàn)在于將以數(shù)據(jù)、信息和知識(shí)等形態(tài)的資源根據(jù)資源的存儲(chǔ)代價(jià)和搜索代價(jià)綜合考慮來(lái)協(xié)同調(diào)整資源的搜索機(jī)制和存儲(chǔ)方案，優(yōu)化時(shí)空效率?；贒GDIK、IGDIK和KGDIK建立資源處理框架，對(duì)不同的資源需求在最匹配的資源層面上進(jìn)行查找，有效提高查找效率。合理地處理系統(tǒng)中的類(lèi)型化資源，通過(guò)分析和抽象事務(wù)處理中海量的DataDIK、InformationDIK和KnowledgeDIK等形態(tài)的資源，消除概念歧義，剔除冗余和錯(cuò)誤概念，提高DataDIK、InformationDIK和KnowledgeDIK等資源的質(zhì)量。當(dāng)前工作在各個(gè)環(huán)節(jié)進(jìn)行了實(shí)例討論，下一步將擴(kuò)大數(shù)據(jù)規(guī)模進(jìn)行驗(yàn)證。