高俊濤 侯 寧

（東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 大慶 163318）

1 引言

現(xiàn)階段，各個(gè)油田企業(yè)布署和運(yùn)行了大量信息系統(tǒng)，各個(gè)系統(tǒng)之間獨(dú)立開(kāi)發(fā)與發(fā)布，形成眾多的信息孤島。由于缺少對(duì)數(shù)據(jù)資源的統(tǒng)一標(biāo)準(zhǔn)描述和信息服務(wù)，導(dǎo)致各系統(tǒng)間協(xié)同難、數(shù)據(jù)開(kāi)發(fā)應(yīng)用效率低，無(wú)法形成高效的公共數(shù)據(jù)服務(wù)產(chǎn)品［1］。

為屏蔽這些信息孤島，各個(gè)油田開(kāi)始進(jìn)行數(shù)據(jù)集成，將各個(gè)獨(dú)立開(kāi)發(fā)的信息系統(tǒng)相互關(guān)聯(lián)起來(lái)，使得用戶(hù)可以透明的訪(fǎng)問(wèn)這些數(shù)據(jù)。而數(shù)據(jù)集成中數(shù)據(jù)映射是重要的一個(gè)步驟［2］。目前許多數(shù)據(jù)集成的方法用于解決數(shù)據(jù)結(jié)構(gòu)上的異構(gòu)，卻沒(méi)有較好的解決數(shù)據(jù)語(yǔ)義上的異構(gòu)，這一直以來(lái)也都是一個(gè)難點(diǎn)［3］。

文獻(xiàn)［4］提出了數(shù)據(jù)元在國(guó)內(nèi)外標(biāo)準(zhǔn)化信息術(shù)語(yǔ)中的作用，說(shuō)明了數(shù)據(jù)元在數(shù)據(jù)集成中的重要性。文獻(xiàn)［5］為了表達(dá)數(shù)據(jù)元的語(yǔ)義，用了語(yǔ)義樹(shù)，采取了數(shù)據(jù)元表達(dá)數(shù)據(jù)模型的語(yǔ)義。但是通過(guò)語(yǔ)義樹(shù)的方式過(guò)于復(fù)雜，提高了前期工作的門(mén)檻。文獻(xiàn)［6］以數(shù)據(jù)元為中介實(shí)現(xiàn)數(shù)據(jù)映射，采取數(shù)據(jù)元的方法對(duì)數(shù)據(jù)映射。

因此正文引出數(shù)據(jù)模型的映射，用數(shù)據(jù)元關(guān)鍵字的方式，用數(shù)據(jù)模型里的數(shù)據(jù)項(xiàng)與數(shù)據(jù)元與配對(duì)，然后對(duì)數(shù)據(jù)模型中數(shù)據(jù)項(xiàng)用數(shù)據(jù)元表達(dá)。通過(guò)關(guān)鍵字描述數(shù)據(jù)元的語(yǔ)義，避免構(gòu)建語(yǔ)義樹(shù)、本體等帶來(lái)的麻煩，降低了前期工作的門(mén)檻和映射的復(fù)雜性。通過(guò)兩個(gè)模型中的數(shù)據(jù)項(xiàng)所配對(duì)的數(shù)據(jù)元的聯(lián)系，構(gòu)建兩個(gè)數(shù)據(jù)模型中的數(shù)據(jù)項(xiàng)的匹配，從而構(gòu)建兩個(gè)模型的映射，以更好地做數(shù)據(jù)服務(wù)。

2 數(shù)據(jù)元簡(jiǎn)介

基本的、不可分割的數(shù)據(jù)單元是數(shù)據(jù)元，它用屬性表達(dá)其標(biāo)識(shí)、定義、允許值和表示［7］。

數(shù)據(jù)元語(yǔ)義可以看作由以下三個(gè)部分組成［8］。

對(duì)象詞：它具有清晰的概念，可以定義其屬性和行為，是對(duì)現(xiàn)實(shí)世界事物的抽象描述，可以作為面向?qū)ο缶幊讨械膶?duì)象來(lái)理解，在數(shù)據(jù)模型中類(lèi)似于實(shí)體名稱(chēng)。例如：尾管、生產(chǎn)井、水管、設(shè)備、管柱。

特性詞：特性詞表示對(duì)對(duì)象的一種性質(zhì)描述，它在數(shù)據(jù)模型中類(lèi)似于實(shí)體屬性，例如：長(zhǎng)度、深度、外徑、內(nèi)徑、尺寸、壓力、產(chǎn)量。

限定詞：它主要包含對(duì)象詞的限定詞和特性詞的限定詞，它是用來(lái)修飾對(duì)象詞和特性詞的，它可以有零個(gè)。如：懸掛、回接、下入、年。

設(shè)數(shù)據(jù)元關(guān)鍵字表為K：

其中pty 為特性詞，obj 為對(duì)象詞，Qobj 為對(duì)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(shù)值集合。

進(jìn)一步簡(jiǎn)化：把C 中的常數(shù)值作為相應(yīng)的限定詞，劃分到Qobj與Qpty中，得出：

通過(guò)以上三個(gè)部分實(shí)現(xiàn)對(duì)數(shù)據(jù)元語(yǔ)義的表達(dá)。表1展示了數(shù)據(jù)元語(yǔ)義的組成成分。

表1 數(shù)據(jù)元的組成成分

3 語(yǔ)義描述

數(shù)據(jù)特征的抽象表示是數(shù)據(jù)模型，包含數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)約束和數(shù)據(jù)操作［9］，因?yàn)閿?shù)據(jù)操作是在數(shù)據(jù)庫(kù)上操作，所以這里不探討它。結(jié)合它的特征，用數(shù)據(jù)模型里的表和數(shù)據(jù)項(xiàng)表達(dá)數(shù)據(jù)模型。模型里表的表達(dá)基于數(shù)據(jù)項(xiàng)的表達(dá)。根據(jù)上述的表述，數(shù)據(jù)元作為數(shù)據(jù)的規(guī)范，可以用來(lái)描述數(shù)據(jù)項(xiàng)。

這里先構(gòu)建數(shù)據(jù)項(xiàng)與數(shù)據(jù)元的配對(duì)表達(dá)數(shù)據(jù)項(xiàng)的語(yǔ)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(yōu)點(diǎn)［11］，這里采用編輯距離算法度量數(shù)據(jù)項(xiàng)和數(shù)據(jù)元，它是基于字面進(jìn)行相似度度量。

設(shè)編輯距離算法用dsim（x，y）表達(dá)，用來(lái)計(jì)算x轉(zhuǎn)變到y(tǒng) 的最低成本。字符串轉(zhuǎn)換通過(guò)以下方式實(shí)現(xiàn)，刪去、插入和替換字符串。例如，將x=“累積油產(chǎn)量”變?yōu)樽址畒=“累積地層油產(chǎn)量”的代價(jià)是dsim（x，y）=2，需要執(zhí)行的操作依次是在“累積”后面插入一個(gè)字符“地”，在“累積地”后面插入一個(gè)字符“層”。

編輯距離直觀(guān)上反映的是人們犯得一些編輯錯(cuò)誤，比如插入了一個(gè)額外的字符（如“累積油產(chǎn)量”少寫(xiě)了一個(gè)“產(chǎn)”字，變成了“累積油量”），或者兩個(gè)字符順序反了（如“累積油產(chǎn)量”錯(cuò)寫(xiě)成了“積累油產(chǎn)量”）等。編輯距離dsim（x，y）可用以下公式轉(zhuǎn)為相像度度量函數(shù)sim（x，y）：

例如，“累積油產(chǎn)量”轉(zhuǎn)換為“累積地層油產(chǎn)量”的相似度度量結(jié)果為

下面以一個(gè)數(shù)據(jù)項(xiàng)“尾管懸掛下深”為例，與數(shù)據(jù)元字典里的數(shù)據(jù)元進(jìn)行相似度度量，表2 中得到相像度較高的數(shù)據(jù)元配對(duì)結(jié)果。

表2 數(shù)據(jù)項(xiàng)與數(shù)據(jù)元相像度結(jié)果［12］

從以上結(jié)果得知，匹配的數(shù)據(jù)元中“尾管懸掛下入深度”相似度較高，“下入深度”的縮寫(xiě)是“下深”，確實(shí)能表達(dá)數(shù)據(jù)項(xiàng)“尾管懸掛下深”的語(yǔ)義。因此，數(shù)據(jù)項(xiàng)“尾管懸掛下深”與數(shù)據(jù)元“尾管懸掛下入深度”匹配。

通過(guò)以上相似度度量方法，可以得出與數(shù)據(jù)模型中數(shù)據(jù)項(xiàng)匹配的數(shù)據(jù)元。當(dāng)匹配數(shù)據(jù)元不唯一時(shí)，按相似度進(jìn)行排序，并進(jìn)行人工確認(rèn)。由于表名、業(yè)務(wù)域、主鍵字段名中隱含數(shù)據(jù)項(xiàng)的上下文語(yǔ)義信息，這些信息可以作為數(shù)據(jù)元關(guān)鍵匹配的依據(jù)。

4 數(shù)據(jù)模型映射

在上文定義了模型之后，即通過(guò)數(shù)據(jù)元對(duì)源模型和目標(biāo)模型都完成了數(shù)據(jù)項(xiàng)的語(yǔ)義表達(dá)后，就可以進(jìn)行數(shù)據(jù)模型映射。在目標(biāo)數(shù)據(jù)模型中指定一個(gè)目標(biāo)數(shù)據(jù)表，從源數(shù)據(jù)模型找出與此表對(duì)應(yīng)的多個(gè)源表，并建立從源表到目標(biāo)表的各字段的對(duì)應(yīng)關(guān)系。

不同的實(shí)體間的某屬性可以使用同個(gè)數(shù)據(jù)元表達(dá)，同實(shí)體中的屬性可以逐個(gè)與數(shù)據(jù)元配對(duì)，見(jiàn)圖1。

圖1 數(shù)據(jù)元與數(shù)據(jù)模型關(guān)系圖

4.1 數(shù)據(jù)項(xiàng)與數(shù)據(jù)項(xiàng)相似計(jì)算

針對(duì)目標(biāo)表的每個(gè)數(shù)據(jù)項(xiàng)匹配如下：

DE1（key11，key12，…key1m）DE2（key21，key22，…key2n），keyij 是數(shù)據(jù)元DEi 的關(guān)鍵字。當(dāng)相似度SIM12=1時(shí)，兩個(gè)數(shù)據(jù)項(xiàng)對(duì)應(yīng)的數(shù)據(jù)元名稱(chēng)相等。如果數(shù)據(jù)元名稱(chēng)不相等，則按以下方法：

其中，DSIM（DE1，DE1）為雙方數(shù)據(jù)元名稱(chēng)的編輯距離算法相像度。而KSIM是兩個(gè)數(shù)據(jù)元的關(guān)鍵字集合之間的項(xiàng)集相像度：KSIM=交集項(xiàng)個(gè)數(shù)/并集項(xiàng)個(gè)數(shù)，得出的結(jié)果是杰卡德系數(shù)，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(hào)J（A，B）表示，用下面的公式表達(dá)：

通過(guò)不同的系數(shù)值選取和大量的實(shí)驗(yàn)，確定系數(shù)WD 和WK 的值，其中系數(shù)WD 和WK 的和為1。WD、WK 分別為兩個(gè)相似度的權(quán)重，對(duì)系數(shù)WD 和WK 按照表的取值進(jìn)行計(jì)算，發(fā)現(xiàn)表3 在A(yíng)=0.3，b=0.7的時(shí)候效果最好。

表3 系數(shù)選取

為了構(gòu)建兩個(gè)模型的映射，用數(shù)據(jù)元作為中介，用雙方數(shù)據(jù)元匹配。不能完全配對(duì)，但有較高相像度的，作為可能映射［14］。這里以數(shù)據(jù)元“尾管懸掛下入深度”為例，按照關(guān)鍵詞分類(lèi)，對(duì)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(shù)據(jù)元字典中匹配到的前幾個(gè)數(shù)據(jù)元以及相似度結(jié)果。

表4 數(shù)據(jù)元與數(shù)據(jù)元相像度結(jié)果

通過(guò)上表得出“試油”數(shù)據(jù)模型中數(shù)據(jù)元“尾管懸掛下入深度”與“試油試采”數(shù)據(jù)模型中數(shù)據(jù)元“尾管懸掛下入深度”相似度為1，直接匹配。因此，它們所對(duì)應(yīng)的數(shù)據(jù)項(xiàng)“尾管懸掛下深”和“尾管懸掛下入深度”也能直接匹配。這兩個(gè)數(shù)據(jù)項(xiàng)所對(duì)應(yīng)的表“地質(zhì)設(shè)計(jì)鉆井及套管基礎(chǔ)數(shù)據(jù)表”和“套管基礎(chǔ)數(shù)據(jù)表”也匹配。

4.2 映射字典設(shè)計(jì)

通過(guò)數(shù)據(jù)元、數(shù)據(jù)項(xiàng)和實(shí)體對(duì)兩個(gè)模型表達(dá)之后，為數(shù)據(jù)映射字典打下了基礎(chǔ)，基于XML 的映射字典的設(shè)計(jì)，用于表達(dá)兩個(gè)模型的映射聯(lián)系［16］。

1）xml：表示xml文件版本號(hào)和編碼。

2）MapDocument：表示映射字典的根節(jié)點(diǎn)，此節(jié)點(diǎn)有一個(gè)子節(jié)點(diǎn)Mapping表示映射關(guān)系［17］。

3）Mapping：表示映射關(guān)系節(jié)點(diǎn)，此節(jié)點(diǎn)有三個(gè)屬性，user表示公司，name 表示映射名稱(chēng)，type 表示映射類(lèi)型，主要根據(jù)平臺(tái)使用者進(jìn)行劃分。此節(jié)點(diǎn)有三個(gè)子節(jié)點(diǎn)，DRDModel，RDLModel，Entities。

4）DRDModel：表示源數(shù)據(jù)模型。

5）RDLModel：表示目標(biāo)數(shù)據(jù)模型。

6）Entities：表示實(shí)體，RDL_Entity 是它的一個(gè)子節(jié)點(diǎn)。

7）RDL_Entity：表示目標(biāo)數(shù)據(jù)模型實(shí)體，name、code 是它的兩個(gè)屬性，分別表示實(shí)體名、實(shí)體代碼。Source，Row是它的兩個(gè)子節(jié)點(diǎn)。

8）Source：表示數(shù)據(jù)來(lái)源（源數(shù)據(jù)模型），此節(jié)點(diǎn)有一個(gè)子節(jié)點(diǎn)DM_Entity。

9）DM_Entity：表示源數(shù)據(jù)模型，有兩個(gè)屬性name表示實(shí)體名，code表示實(shí)體代碼［18］。

10）Row：表示行，Attribute是它的一個(gè)子節(jié)點(diǎn)。

11）Attribute：表示屬性，其中它有6 個(gè)屬性，RDL_name 表示目標(biāo)數(shù)據(jù)模型屬性。RDL_code 表示目標(biāo)數(shù)據(jù)模型屬性代碼，element_name 表示數(shù)據(jù)元名稱(chēng)，element_code 表示數(shù)據(jù)元代碼，DM_name表示源數(shù)據(jù)模型屬性，DM_code表示源數(shù)據(jù)模型屬性代碼［19］。

映射字典結(jié)構(gòu)如下所示。

<？xml version=“”encoding=“”？>

5 結(jié)語(yǔ)

本文通過(guò)數(shù)據(jù)元來(lái)表達(dá)數(shù)據(jù)模型中的數(shù)據(jù)項(xiàng)，并通過(guò)關(guān)鍵詞來(lái)表達(dá)數(shù)據(jù)元的語(yǔ)義。利用編輯距離算法和杰卡德算法的思想，對(duì)數(shù)據(jù)項(xiàng)與數(shù)據(jù)元進(jìn)行配對(duì)，對(duì)數(shù)據(jù)元與數(shù)據(jù)元之間的相像性進(jìn)行配對(duì)，間接定位數(shù)據(jù)項(xiàng)的語(yǔ)義映射聯(lián)系，從而得出數(shù)據(jù)表的映射聯(lián)系。最終為表達(dá)異構(gòu)模型的映射引出一個(gè)映射文件。將中國(guó)石油企業(yè)的數(shù)據(jù)元為試驗(yàn)數(shù)據(jù)，對(duì)中石油數(shù)據(jù)模型中的數(shù)據(jù)項(xiàng)進(jìn)行了標(biāo)準(zhǔn)化，以保證研究的實(shí)用性。