摘  要： 數(shù)據(jù)空間的提出旨在解決模式驅動型的數(shù)據(jù)管理方式中所遇到的瓶頸，并最終解決數(shù)據(jù)管理所面臨的挑戰(zhàn)。而其中數(shù)據(jù)源內容之間的內部關聯(lián)性成為數(shù)據(jù)空間研究的重點。從自然語言處理的角度出發(fā)，建立描述數(shù)據(jù)空間的模式實體，并且綜合考慮基本刻面和內容刻面的主要內容，提出基于數(shù)據(jù)空間的數(shù)據(jù)源內容的關系發(fā)現(xiàn)機制，從而為下一步創(chuàng)建索引、瀏覽、搜索、查詢以及其他服務提供良好的基礎。
關鍵詞： 數(shù)據(jù)空間；刻面；自然語言處理

   計算機網絡的飛速發(fā)展以及信息化的推進，使得人類面臨著巨大的數(shù)據(jù)量，而且數(shù)據(jù)的采集、存儲、處理和傳播依然與日俱增，數(shù)據(jù)管理也呈現(xiàn)出海量、共享以及多樣化等新的特點。這些新特點使得數(shù)據(jù)管理技術面臨著挑戰(zhàn)，DBMS無法解決這些挑戰(zhàn)，如何對數(shù)據(jù)進行集成并有效的管理成為當前迫在眉睫的研究課題，數(shù)據(jù)空間就是在這個大背景下應運而生的。
    數(shù)據(jù)空間[1]的概念由FRANKLIN M、HALEVY A、MAIER D等人在2005年的SIGMOD會議上提出，旨在解決數(shù)據(jù)空間包含的所有與主體（用戶）相關的信息，它不是一個信息集成的方法，而是一種信息共存的措施。數(shù)據(jù)空間淡化模式，凸顯數(shù)據(jù)，支持多種不同的異質異構的數(shù)據(jù)源，而且具有pay-as-you-go（演化集成）的特性，強調數(shù)據(jù)的可關聯(lián)性和演化性，最終可實現(xiàn)對個人數(shù)據(jù)的輕量級管理。其中演化集成的思想以及人在數(shù)據(jù)管理中的主體作用越來越得到關注，對主體人的研究日益成為數(shù)據(jù)管理技術研究中的重要問題。數(shù)據(jù)空間強調數(shù)據(jù)的可關聯(lián)性，不僅要從用戶（主體人）的行為上來獲取數(shù)據(jù)的關聯(lián)，還要從數(shù)據(jù)源內容上來獲取數(shù)據(jù)源之間存在的內部關系，對數(shù)據(jù)源內容關系的發(fā)現(xiàn)也成為目前數(shù)據(jù)空間研究的一個重點難點。本文從自然語言的角度，通過分析數(shù)據(jù)空間刻面描述模型，對基本刻面和內容刻面進行描述，輔以詞語語義相關度的模型，提出一個基于數(shù)據(jù)空間的數(shù)據(jù)源內容關系發(fā)現(xiàn)機制。
1 相關研究
    數(shù)據(jù)源內容之間的關系發(fā)現(xiàn)是數(shù)據(jù)空間研究的一個重要問題，是創(chuàng)建索引、瀏覽、搜索、查詢以及其他服務的基礎。當前的研究前提大多假設已經獲得數(shù)據(jù)之間的關系，但這往往有其局限性，為了解決這個問題，需要提出更加精確的發(fā)現(xiàn)數(shù)據(jù)源之間關系的方法，以便有效地管理數(shù)據(jù)空間的數(shù)據(jù)源。參考文獻[2]認為采用統(tǒng)一的數(shù)據(jù)模型來描述數(shù)據(jù)空間中不同類型的物理數(shù)據(jù)源是困難的，故而提出一種三層(即物理層、邏輯層、應用數(shù)據(jù)層)組織結構，文章集中在邏輯數(shù)據(jù)層，并通過領域本體代表一類數(shù)據(jù)源資源，從而劃分為直接關系和間接關系。參考文獻[3]通過關聯(lián)調整(Reference Reconciliation)來解決數(shù)據(jù)源復雜信息空間問題，使用基于一個基本框架的算法，通過關聯(lián)調整傳播信息，使用上下文信息、相關實體上的相似性來計算和豐富關聯(lián)。參考文獻[4]提出了使用貝葉斯網絡模型來抽取元數(shù)據(jù)的匹配，通過可能性推理來解決不確定問題，建立數(shù)據(jù)的關系網，通過元數(shù)據(jù)匹配來抽取實體之間的關系。參考文獻[5]提出了新的分散的語義元數(shù)據(jù)組織模型SmartStore，利用元數(shù)據(jù)的語義來增加相關的文件。參考文獻[6]通過制定數(shù)據(jù)源之間聯(lián)系，并將每個聯(lián)系集定義為聯(lián)系軌跡（Association Trail），創(chuàng)建來自不同數(shù)據(jù)源的無聯(lián)系數(shù)據(jù)之間的一個增強的關聯(lián)圖?？傊?，相關方面的研究也都是基于各自對數(shù)據(jù)空間的描述而進行的，通過本體或推理模型來發(fā)現(xiàn)數(shù)據(jù)之間的關系。本文基于之前所研究的詞語相關度模型，綜合分析基本刻面和內容刻面，從而確立數(shù)據(jù)源內容之間的關系發(fā)現(xiàn)機制。
2 刻面內容的關系發(fā)現(xiàn)機制
2.1 數(shù)據(jù)空間數(shù)據(jù)特點
    數(shù)據(jù)空間的數(shù)據(jù)源是異質異構的，課題組提出了一個FADSM模型即基于刻面描述的數(shù)據(jù)空間模型，通過內容刻面以及基本刻面對數(shù)據(jù)空間進行描述，并分析刻面的內容來發(fā)現(xiàn)數(shù)據(jù)源本身之間的內部關聯(lián)性。
    數(shù)據(jù)空間個人數(shù)據(jù)的特點：(1)多樣性和異構型。個人數(shù)據(jù)均來自不同的數(shù)據(jù)源，如Web、Email、文件系統(tǒng)，數(shù)據(jù)都存儲在不同的位置，需要采取統(tǒng)一的方法來制定異構數(shù)據(jù)源；(2)個性化。緣于不同的知識背景，使用計算機的不同習慣，以及每個人不同的組織數(shù)據(jù)的方式；(3)復雜結構。RDBMS都是基于表結構的，但是在PDS中，關系都是基于元組級別的，數(shù)據(jù)源之間可能都是有關系的。
2.2 數(shù)據(jù)源描述
    本文主要從兩個方面來討論數(shù)據(jù)源，一個是基本刻面，另一個是內容刻面。
    將每個數(shù)據(jù)源作為一個模式實體來描述，每個數(shù)據(jù)實體都有一個獨立的實體標識符。基本刻面是數(shù)據(jù)源的主體屬性，包括文件名、文件類型、訪問頻率、目錄以及大小等。內容刻面是每個數(shù)據(jù)源的描述性的主體內容，在課題研究組中已經將內容刻面提取出來。將內容刻面的內容進行分詞（應用ICTCLAS軟件），分詞后進行預處理，去除停頓詞、虛擬詞、語氣詞等?；诳堂婷枋龅臄?shù)據(jù)空間中數(shù)據(jù)源實體的表示如圖1所示。

    通過對基本刻面和內容刻面的內容進行分析，對內容刻面進行分詞預處理，形成刻面內容主題詞集合，即代表了該數(shù)據(jù)源的實體內容；而基本刻面主要考慮其刻面屬性。作為實體的類型集合，綜合兩者構造數(shù)據(jù)源實體的語義模式，發(fā)現(xiàn)數(shù)據(jù)源的內部關聯(lián)性即是發(fā)現(xiàn)語義實體模式之間的關聯(lián)機制。圖2所示為數(shù)據(jù)源內容關系發(fā)現(xiàn)機制的流程。

2.3 語義模式的建立和匹配
    本文采用中科院的ICTCLAS進行分詞。對數(shù)據(jù)源的刻面內容進行分詞預處理，去掉一些修飾詞、停用詞等，所獲得的主題詞代表了該數(shù)據(jù)源的核心內容。而刻面屬性需要逐一考慮4個屬性，對其進行相關的匹配策略。數(shù)據(jù)源表示為模式實體即[實體標識符,基本刻面,內容刻面]的形式。
    語義模式匹配的過程為：(1)考慮基本刻面各刻面屬性的匹配程度；(2)過濾掉內容刻面中修飾以及停頓的詞語、標點符號、數(shù)字、名字等；(3)提取內容刻面的主題詞集合以及該數(shù)據(jù)源所代表的實體類型組成待比較向量；(4)對于基本刻面中 [文件類型，目錄，訪問頻率，大小]等條件進行刻面匹配，以此對基本刻面的說明作為基本刻面的匹配策略；對于內容刻面，比較模式向量中的詞語與待比較向量中的每個詞語的語義相關度（應用相關度模型）。具體的內容刻面匹配策略如下。
2.3.1 基本刻面相關性匹配
    基本刻面屬性即一個數(shù)據(jù)實體的主體屬性，能夠直接獲得，如一篇文檔的文件名、路徑、大小、修改時間、訪問時間等。


    鑒于此處在分子中，已經對詞語項進行了相關度的計算，而在SVM中，對分母的取模是為了保證整個余弦值的范圍在（0，1）之間，而在式（7）中，已經轉化為對詞語項進行相關度計算了，因此直接使用了點積公式作為計算內容刻面相關度的公式形式，即RSource就是所求的兩個內容刻面的相關度值。
2.3.3 數(shù)據(jù)源內容關系發(fā)現(xiàn)機制
    將基本刻面和內容刻面的相關性匹配策略結合起來，本文著重以內容刻面中表達的數(shù)據(jù)源內容來發(fā)現(xiàn)關聯(lián)關系，因而內容刻面所占的權重會比基本刻面對數(shù)據(jù)源關系發(fā)現(xiàn)的貢獻率更大，設基本刻面對數(shù)據(jù)源內容關系發(fā)現(xiàn)的貢獻率是λ，而內容刻面的貢獻率是σ。通過加權值來獲得最終數(shù)據(jù)源內容的關系發(fā)現(xiàn)機制，如式（8）所示，其中λ+σ=1且σ>λ。

2.4 討論與分析
    根據(jù)以上對數(shù)據(jù)空間數(shù)據(jù)源的刻面模型描述以及對基本刻面和內容刻面的主要內容進行考慮，輔助以詞語相關度模型計算，可以從理論上分析出獲取數(shù)據(jù)源內容關系發(fā)現(xiàn)機制，并以上述的計算模型來表達其關系程度。但是，這個方案存在一些不足之處：(1)相關度的研究存在一些主觀上的誤差；(2)分詞上出現(xiàn)的誤差；(3)考慮內容刻面時，其中的許多主關鍵字沒有考慮到人物名詞，人物名詞對于發(fā)現(xiàn)數(shù)據(jù)空間中數(shù)據(jù)源之間的內部關系起到很大的作用，本文主要是考慮數(shù)據(jù)源的具體內容，而未涉及到具體的人物之間的聯(lián)系，因此對數(shù)據(jù)源的關系發(fā)現(xiàn)有一定的影響；(4)在基于數(shù)據(jù)空間對數(shù)據(jù)源內容的關系發(fā)現(xiàn)研究上，存在很多不同的方式，本文作為基礎性的研究，因而輔以之前的相關度的研究，從而提出這個數(shù)據(jù)源內容關系發(fā)現(xiàn)機制的方案。
    數(shù)據(jù)空間中的數(shù)據(jù)源都是異質異構的，且基于數(shù)據(jù)空間，是數(shù)據(jù)驅動型的管理手段，這些數(shù)據(jù)源彼此之間的內部關聯(lián)性發(fā)現(xiàn)是數(shù)據(jù)空間研究的一個重點難點，國外研究方面，數(shù)據(jù)源內容關系的發(fā)現(xiàn)都是通過制定聯(lián)系或者是參考協(xié)調等方法來完成，而本文研究是以自然語言處理中的詞語相關度模型作為突破口，提出一個關系機制來發(fā)現(xiàn)數(shù)據(jù)源之間的關系。
    今后的工作將繼續(xù)完善該策略，特別是在考慮到幾個不足之處的影響因素中，盡量減少這些因素所造成的誤差，以該策略為基礎，實現(xiàn)從相關度上進行數(shù)據(jù)空間中數(shù)據(jù)源的檢索和查詢。
參考文獻
[1] 李玉坤,孟小峰,張相於.數(shù)據(jù)空間技術研究[J].軟件學報，2008，19(8)：2018-2031.
[2] Dong Yanlei，Shen Derong，Nie Tiezheng，et al.Discovering  relationships among data resourcesin DataSpac[C].IEEE， 2009 Sixth Web Information Systems and Applications Conference，2009.
[3] Xin Dong.Providing best-effort services in dataspace systems[J].Doctor of Philosophy University of Washington，2007(9)：76-81.
[4] Sun Daring，Ma Anxiang，Zhang Bin，et al.Metadata matching based bayesian network in DataSpace[C].Computer Design and Applications(ICCDA)，2010：358-362.
[5] Hua Yu，Jiang Hong，Zhu Yifeng，et al.SmartStore：a new  metadata organization paradigm with metadata semantic-awareness for next-generation file systems[C].Proceedings of the Conference on High Performance Computing
     Networking，Storage and Analysis，Portland，Oregon，USA，2009.
[6] SALLES M A V，DITTRICH J，BLUNSCHI L.Intensional associations in dataspace[C].Data Engineering(ICDE)，2010 IEEE 26th International Conference，2010：984-987.
[7] Li Yukun，Meng Xiaofeng.Exploring Personal corespace for dataspace management[C].Fifth International Conference on Semantics，Knowledge and Grid，2009.