在網(wǎng)格數(shù)據(jù)組織中使用概念

摘要：商業(yè)企業(yè)每天產(chǎn)生大量的網(wǎng)格數(shù)據(jù)，作為網(wǎng)頁信息交換的實際標準，最重要的挑戰(zhàn)之一是如何有效地進行數(shù)據(jù)搜索，數(shù)據(jù)搜索可以以鏈接的方式進行。一些研究人員已經(jīng)研究出了演算法，以減少搜索過程中產(chǎn)生的無效信息。另一些研究人員引入了記錄法，可以進行相關(guān)元素的定位，無需搜索原始網(wǎng)格文檔，通過記錄的方式完成搜索過程。文中介紹的方法是基于正在被搜索的數(shù)據(jù)的概念，以及對網(wǎng)格數(shù)據(jù)庫的內(nèi)容搜索及關(guān)鍵字搜索，使用概念搜索可以提高搜索效率。
關(guān)鍵詞：網(wǎng)格；搜索；最佳化；演算；網(wǎng)頁描述語言WSDL

半結(jié)構(gòu)化數(shù)據(jù)在網(wǎng)頁中的高級應(yīng)用越來越普遍，商業(yè)企業(yè)每天生產(chǎn)及消費大量的數(shù)據(jù)。網(wǎng)格作為網(wǎng)頁上半結(jié)構(gòu)化的數(shù)據(jù)具有相當復(fù)雜的內(nèi)部結(jié)構(gòu)，有時還被提取出來作為命令樹。
在大多數(shù)的網(wǎng)格搜索語言中，網(wǎng)格查詢的結(jié)構(gòu)以鏈接的形式出現(xiàn)，網(wǎng)格元素的價值被用作選擇謂詞的一部分。有效鏈接模式匹配是網(wǎng)格數(shù)據(jù)庫中網(wǎng)格搜索程序的關(guān)鍵。
筆者概述了一種創(chuàng)新方式，將數(shù)據(jù)的概念考慮進來進行網(wǎng)格搜索，介紹了在網(wǎng)格數(shù)據(jù)庫中進行關(guān)鍵詞搜索的一種有效的演算法。該方法的實質(zhì)是，如果數(shù)據(jù)的概念是已知的，那么數(shù)據(jù)的概念可以用于搜索最佳化。
首先定義一個數(shù)據(jù)模型，稱之為CRD—FS。半結(jié)構(gòu)化的數(shù)據(jù)對象-關(guān)系-屬性模式，包括概念數(shù)據(jù)模型的實體，以及層次結(jié)構(gòu)網(wǎng)格數(shù)據(jù)。有了CRD—FS數(shù)據(jù)模型，許多網(wǎng)格數(shù)據(jù)庫的概念可以明確的被呈現(xiàn)，但是不能被WSDL及網(wǎng)格模式所識別。

1 相關(guān)工作
X路徑是通過網(wǎng)格文檔中的元素及屬性，在網(wǎng)格文檔中發(fā)現(xiàn)信息的一種語言，同UNIX文檔系統(tǒng)中的目錄相似。例如，通過X路徑的表示：／院系／課程[代碼=＼cs4221”]／學生、學生姓名?？梢员硎緸椋躢s4221”課程的學生的名字。一條X路徑的搜索可以經(jīng)樹狀圖表表示，稱為鏈接方式。X路徑被作為鏈接形式搜索的方式被呈現(xiàn)。
Chippimolchai et al．發(fā)展了一種演繹數(shù)據(jù)庫中概念搜索的最佳化框架。他們概述了一種演算方法，可以將搜索轉(zhuǎn)換成查詢及完整性約束，這些整體性約束是從真實世界產(chǎn)生的，不能從網(wǎng)格模式或WSDLs．中產(chǎn)生。

2 CRD-FS數(shù)據(jù)模型
半結(jié)構(gòu)化的對象，關(guān)系，屬性數(shù)據(jù)模式有4個基本概念：對象類，關(guān)系類別，屬性及參考，包括4個圖表：模式圖表、距離圖表、功能獨立性圖表及層次圖表。
一個CRD—FS模式圖表代表著作為標簽的一個對象類。對象類之間的聯(lián)系類型被描述為標簽姓名(對象類清單)，N，P，C”，此處的姓名指示了關(guān)系類型的名稱，對象類是參與到關(guān)系類型中的對象類清單，N是一個整數(shù)，標明了關(guān)系類型的程度，P和C是關(guān)系類型中的參與限制，定義了使用標準的最小及最大的符號。兩個對象類之間的邊緣可以有多于一個的這樣的關(guān)系類型標簽去標明對象類所參與的不同的關(guān)系類型。關(guān)系類的屬性或者關(guān)系類型是有標簽圓圈所注解的。對象類的標識符像填充的圓圈一樣被注解，所有的屬性都應(yīng)當并強制的，單值的，包含一個“?”，標明這是單值的，可選的，或者是一個“+”標明多值并且是被請求的，或者是一個“*”，標明其實可選多值的。對象類的屬性可以從一個關(guān)系類型中相區(qū)分出來。前者沒有邊緣標簽，當后者的關(guān)系類型的名稱屬于自己的標簽邊緣時。
屬性的名字，代碼和學生編號分別是對象類院系、課程和學生的標識符。每個學生都有其獨有的學生編號。標題的屬性、標記、地址和業(yè)余愛好都是可選的。業(yè)余愛好是多屬性，而學生姓名是必需的。這里有兩種關(guān)系類型，被稱之為dc and cs．前者是對象類部門同課程之間的二進制關(guān)系類型，后者是課程同學生之間的二進制關(guān)系類型。一個院系可以由一個或更多的(1：n)課程，一項課程屬于一個或只一個院系(1：1)。一門課程可以由零個或更多(0：n)學生；一名學生可以選修一門或更多課程。學生同標記之間的邊緣上的標簽cs標明標記是關(guān)系類型cs的單獨價值屬性。也就是說，一門課程中一名學生的屬性標記。從這些約束條件中，可以派生出{課程；學生}→標記。

3 搜索過程中概念的使用
概念是通過CRD-FS模式進行優(yōu)化鏈接模式，從而用3個鏈接查詢來進行搜索評估的。
搜索1：找出等同于“s123”的學生元素的學生姓名值，X路徑表示為：／／student[@stuNo=“s123”]／stuName
利用CRD—FS模式，可以知道學生姓名是學生對象類的一個單一值屬性，學生編號是學生的身份標識，因此學生編號→學生姓名。為了處理搜索，我們只需要找出帶有學生編號屬性的網(wǎng)格中的第一個學生元素即可。
此外，Wu et al．已經(jīng)提議了一種演算方式，它集中搜索內(nèi)容或具有概念信息值。
搜索2：找出所有學生的平均分。
解答該搜索處理器需要了解學生編號是對象類學生的標識符，并且要將課程同學生之間的關(guān)系類的單值屬性標記出來。
搜索3：找出課程中所有學生所取得的分數(shù)。
為了正確完成以上搜索，用戶需要明白學生編號是學生的標識符，代碼是課程的標識符，標記是課程與學生之間關(guān)系類型的單值，每一門課程僅僅由一個院系所提供，每一門課程在網(wǎng)格文檔中僅僅出現(xiàn)一次。當WSDLs模式無法捕捉所有所需概念時，該信息可以在CRD-FS模式圖表中被捕捉。
有了CRD—FS數(shù)據(jù)模型所捕捉的概念，我們可以解釋網(wǎng)格詢問是否正確，是否可以提高搜索評估性能。利用存儲在CRD-FS模式圖表中的概念，圖解搜索語言GLASS能夠自動生成搜索所用的X搜索，用戶沒有必要去編寫X搜索詢問。

4 網(wǎng)格中的內(nèi)容搜索
網(wǎng)格文檔中處理一個鏈接模式的搜索包括結(jié)構(gòu)搜索及內(nèi)容搜索。大多數(shù)現(xiàn)有的演算方法無法將內(nèi)容同結(jié)構(gòu)搜索相區(qū)分。在結(jié)構(gòu)處理期間，它們將內(nèi)容節(jié)點同元素節(jié)點一樣處理，搜索所詢問的實際值需要依賴于原始文檔。我們提議將帶有相關(guān)表格的一個新的演算值(VERT)提取來克服這些局限。VERT技術(shù)是生成相關(guān)表格以便來存儲文檔內(nèi)容，而不是將他們像節(jié)點那樣進行處理和標記。筆者所說的演算是基于文檔的概念信息。因為越多的概念被捕捉，筆者就可以進一步優(yōu)化表格及詢問這樣可以極大的提高效率。
例如，考慮帶有包含標簽的網(wǎng)格樹?？梢詫?shù)值內(nèi)容同關(guān)系標簽中的母標簽一同存儲，而不是為每個網(wǎng)格標簽和數(shù)值內(nèi)容存儲標簽數(shù)據(jù)流。有了這些關(guān)系表，當用戶在發(fā)出一個鏈接搜索時，系統(tǒng)就能夠自動將其重寫至搜索中，這里節(jié)點價格大于15，他們的PC關(guān)系被稱之為>15的價格節(jié)點所取代?？梢栽诒砀馬price中執(zhí)行至帶有數(shù)值的所有價格元素當中。其性能結(jié)構(gòu)以書本的標簽數(shù)據(jù)流為基礎(chǔ)。ISBN以及價格’> 15，以這種方式，可節(jié)省所有大于15的數(shù)值內(nèi)容的數(shù)據(jù)流的成本，以及在合并標簽數(shù)據(jù)流之間的結(jié)構(gòu)的成本。用這種方式，當處理鏈接搜索時，也可以節(jié)省書本對象同其價值屬性之間的結(jié)構(gòu)及其價格。
最終，基于由ORASS所捕捉到的概念，標題，價格等是書本對象類的唯一價值屬性，能夠?qū)⑦@些屬性的內(nèi)容價值premerge到一個單獨的帶有書本對象標簽的關(guān)聯(lián)表格，有了premerged表格，可以對鏈接搜索作出回答。在premerged表格上僅僅可以完成一種有效的選擇。

5 網(wǎng)格中關(guān)鍵字連同概念的搜索
關(guān)鍵字的近似搜索是搜索網(wǎng)格數(shù)據(jù)庫的一種友好方式。該區(qū)域多數(shù)前期所做的努力都是集中于網(wǎng)格關(guān)鍵字近似搜索。網(wǎng)格的數(shù)據(jù)模式普遍都很簡單并且有效。然而，它們并不捕捉數(shù)據(jù)庫中的聯(lián)系，例如身份參考。相反，是基于圖表模式的捕捉聯(lián)系的技術(shù)，不過這些大多對于計算來說都是無效的。許多現(xiàn)有的技術(shù)并不開發(fā)模式信息，這些信息通常是以數(shù)據(jù)庫的形式出現(xiàn)。沒有了模式信息，關(guān)鍵詞近似技術(shù)在結(jié)果中呈現(xiàn)的可能性會很小，并且它們所返回的結(jié)果是不相關(guān)的。例如，LCA對于基于樹狀模式的關(guān)鍵字近似搜索會很大一部分返回到其全部數(shù)據(jù)庫的根部。
筆者建議的是一種互連對象模式，可以充分開發(fā)網(wǎng)格性能并且在模式出現(xiàn)時標注出其模式信息。在我們的模型中，數(shù)據(jù)庫管理員為結(jié)果標識出感興趣的對象類及同興趣對象之間的概念性連接。
有了感興趣的對象類，關(guān)于關(guān)鍵字近似搜索最具直覺結(jié)果的是含有所有關(guān)鍵字的興趣對象的清單。較之眾所周知的LCA概念(Lowest Comm on Ancestor)，將這些興趣清單稱之為ICA(Interested Common Ancestor)。同樣，用IRA(Interested Related Ancestors)概念來捕獲興趣對象及包含更多相關(guān)結(jié)果。一個IRA結(jié)果是一對包含所有關(guān)鍵字的對象，并且同概念性連接是聯(lián)系在一起的。例如，為了搜索“網(wǎng)格搜索程
序”，帶有標題“搜索程序”的標題以及引用或被“網(wǎng)格“所引用的論文被看作是IRA對象。
就執(zhí)行時間和結(jié)果質(zhì)量而言，實驗性的評估標明該方法要優(yōu)于大多現(xiàn)存的學術(shù)系統(tǒng)。

6 結(jié)論
半結(jié)構(gòu)化數(shù)據(jù)組織中的重要區(qū)域之一就是提供可以進行有效數(shù)據(jù)搜索的演算。本文中概述了一個最佳化方案，在數(shù)據(jù)已知的時候可以被引用。介紹了一種數(shù)據(jù)模型，在ORASS中可以呈現(xiàn)出必要的概念，并且已完成的最佳化方案進行描述，展示了當概念被包含在內(nèi)的時候，鏈接方式是如何最佳化的。如何處理歷史鏈接演算中的價值，概念性的連接與對象類之間如何被運用在關(guān)鍵字接近的搜索中。
今后將研究如何使用ORASS中捕捉的其他概念進行鏈接方式詢問的進一步優(yōu)化，這些優(yōu)化方案哪些地方是有價值的，通過實驗來表明處理速度的提高。特別的信息是如何同最優(yōu)化方式所鏈接的，如母子、始祖一后裔關(guān)系，否定，節(jié)點的指令，恒定值及節(jié)點輸出。