基于数据元关键字的数据模型映射技术研究∗

高俊涛 侯 宁

（东北石油大学计算机与信息技术学院 大庆 163318）

1 引言

现阶段，各个油田企业布署和运行了大量信息系统，各个系统之间独立开发与发布，形成众多的信息孤岛。由于缺少对数据资源的统一标准描述和信息服务，导致各系统间协同难、数据开发应用效率低，无法形成高效的公共数据服务产品［1］。

为屏蔽这些信息孤岛，各个油田开始进行数据集成，将各个独立开发的信息系统相互关联起来，使得用户可以透明的访问这些数据。而数据集成中数据映射是重要的一个步骤［2］。目前许多数据集成的方法用于解决数据结构上的异构，却没有较好的解决数据语义上的异构，这一直以来也都是一个难点［3］。

文献［4］提出了数据元在国内外标准化信息术语中的作用，说明了数据元在数据集成中的重要性。文献［5］为了表达数据元的语义，用了语义树，采取了数据元表达数据模型的语义。但是通过语义树的方式过于复杂，提高了前期工作的门槛。文献［6］以数据元为中介实现数据映射，采取数据元的方法对数据映射。

因此正文引出数据模型的映射，用数据元关键字的方式，用数据模型里的数据项与数据元与配对，然后对数据模型中数据项用数据元表达。通过关键字描述数据元的语义，避免构建语义树、本体等带来的麻烦，降低了前期工作的门槛和映射的复杂性。通过两个模型中的数据项所配对的数据元的联系，构建两个数据模型中的数据项的匹配，从而构建两个模型的映射，以更好地做数据服务。

2 数据元简介

基本的、不可分割的数据单元是数据元，它用属性表达其标识、定义、允许值和表示［7］。

数据元语义可以看作由以下三个部分组成［8］。

对象词：它具有清晰的概念，可以定义其属性和行为，是对现实世界事物的抽象描述，可以作为面向对象编程中的对象来理解，在数据模型中类似于实体名称。例如：尾管、生产井、水管、设备、管柱。

特性词：特性词表示对对象的一种性质描述，它在数据模型中类似于实体属性，例如：长度、深度、外径、内径、尺寸、压力、产量。

限定词：它主要包含对象词的限定词和特性词的限定词，它是用来修饰对象词和特性词的，它可以有零个。如：悬挂、回接、下入、年。

设数据元关键字表为K：

其中pty 为特性词，obj 为对象词，Qobj 为对象词的限定词集合，Qpty 为特性词的限定词集合，C 为约束条件中的常数值集合。

进一步简化：把C 中的常数值作为相应的限定词，划分到Qobj与Qpty中，得出：

通过以上三个部分实现对数据元语义的表达。表1展示了数据元语义的组成成分。

表1 数据元的组成成分

3 语义描述

数据特征的抽象表示是数据模型，包含数据结构、数据约束和数据操作［9］，因为数据操作是在数据库上操作，所以这里不探讨它。结合它的特征，用数据模型里的表和数据项表达数据模型。模型里表的表达基于数据项的表达。根据上述的表述，数据元作为数据的规范，可以用来描述数据项。

这里先构建数据项与数据元的配对表达数据项的语义。

目前有许多相似度算法，广义上大体分成基于序列的相似度度量、基于集合的相似度度量［10］。编辑距离算法是基于序列的相似度度量，它具有可行性高效果好的优点［11］，这里采用编辑距离算法度量数据项和数据元，它是基于字面进行相似度度量。

设编辑距离算法用dsim（x，y）表达，用来计算x转变到y 的最低成本。字符串转换通过以下方式实现，删去、插入和替换字符串。例如，将x=“累积油产量”变为字符串y=“累积地层油产量”的代价是dsim（x，y）=2，需要执行的操作依次是在“累积”后面插入一个字符“地”，在“累积地”后面插入一个字符“层”。

编辑距离直观上反映的是人们犯得一些编辑错误，比如插入了一个额外的字符（如“累积油产量”少写了一个“产”字，变成了“累积油量”），或者两个字符顺序反了（如“累积油产量”错写成了“积累油产量”）等。编辑距离dsim（x，y）可用以下公式转为相像度度量函数sim（x，y）：

例如，“累积油产量”转换为“累积地层油产量”的相似度度量结果为

下面以一个数据项“尾管悬挂下深”为例，与数据元字典里的数据元进行相似度度量，表2 中得到相像度较高的数据元配对结果。

表2 数据项与数据元相像度结果［12］

从以上结果得知，匹配的数据元中“尾管悬挂下入深度”相似度较高，“下入深度”的缩写是“下深”，确实能表达数据项“尾管悬挂下深”的语义。因此，数据项“尾管悬挂下深”与数据元“尾管悬挂下入深度”匹配。

通过以上相似度度量方法，可以得出与数据模型中数据项匹配的数据元。当匹配数据元不唯一时，按相似度进行排序，并进行人工确认。由于表名、业务域、主键字段名中隐含数据项的上下文语义信息，这些信息可以作为数据元关键匹配的依据。

4 数据模型映射

在上文定义了模型之后，即通过数据元对源模型和目标模型都完成了数据项的语义表达后，就可以进行数据模型映射。在目标数据模型中指定一个目标数据表，从源数据模型找出与此表对应的多个源表，并建立从源表到目标表的各字段的对应关系。

不同的实体间的某属性可以使用同个数据元表达，同实体中的属性可以逐个与数据元配对，见图1。

图1 数据元与数据模型关系图

4.1 数据项与数据项相似计算

针对目标表的每个数据项匹配如下：

DE1（key11，key12，…key1m）DE2（key21，key22，…key2n），keyij 是数据元DEi 的关键字。当相似度SIM12=1时，两个数据项对应的数据元名称相等。如果数据元名称不相等，则按以下方法：

其中，DSIM（DE1，DE1）为双方数据元名称的编辑距离算法相像度。而KSIM是两个数据元的关键字集合之间的项集相像度：KSIM=交集项个数/并集项个数，得出的结果是杰卡德系数，它是双方集合A和B的交集元素在并集A和B中的比［13］，用符号J（A，B）表示，用下面的公式表达：

通过不同的系数值选取和大量的实验，确定系数WD 和WK 的值，其中系数WD 和WK 的和为1。WD、WK 分别为两个相似度的权重，对系数WD 和WK 按照表的取值进行计算，发现表3 在A=0.3，b=0.7的时候效果最好。

表3 系数选取

为了构建两个模型的映射，用数据元作为中介，用双方数据元匹配。不能完全配对，但有较高相像度的，作为可能映射［14］。这里以数据元“尾管悬挂下入深度”为例，按照关键词分类，对象词是“尾管”，它的限定词是“悬挂”，特性词是“深度”，它的限定词是“下入”［15］，在表4 中得出数据元字典中匹配到的前几个数据元以及相似度结果。

表4 数据元与数据元相像度结果

通过上表得出“试油”数据模型中数据元“尾管悬挂下入深度”与“试油试采”数据模型中数据元“尾管悬挂下入深度”相似度为1，直接匹配。因此，它们所对应的数据项“尾管悬挂下深”和“尾管悬挂下入深度”也能直接匹配。这两个数据项所对应的表“地质设计钻井及套管基础数据表”和“套管基础数据表”也匹配。

4.2 映射字典设计

通过数据元、数据项和实体对两个模型表达之后，为数据映射字典打下了基础，基于XML 的映射字典的设计，用于表达两个模型的映射联系［16］。

1）xml：表示xml文件版本号和编码。

2）MapDocument：表示映射字典的根节点，此节点有一个子节点Mapping表示映射关系［17］。

3）Mapping：表示映射关系节点，此节点有三个属性，user表示公司，name 表示映射名称，type 表示映射类型，主要根据平台使用者进行划分。此节点有三个子节点，DRDModel，RDLModel，Entities。

4）DRDModel：表示源数据模型。

5）RDLModel：表示目标数据模型。

6）Entities：表示实体，RDL_Entity 是它的一个子节点。

7）RDL_Entity：表示目标数据模型实体，name、code 是它的两个属性，分别表示实体名、实体代码。Source，Row是它的两个子节点。

8）Source：表示数据来源（源数据模型），此节点有一个子节点DM_Entity。

9）DM_Entity：表示源数据模型，有两个属性name表示实体名，code表示实体代码［18］。

10）Row：表示行，Attribute是它的一个子节点。

11）Attribute：表示属性，其中它有6 个属性，RDL_name 表示目标数据模型属性。RDL_code 表示目标数据模型属性代码，element_name 表示数据元名称，element_code 表示数据元代码，DM_name表示源数据模型属性，DM_code表示源数据模型属性代码［19］。

映射字典结构如下所示。

<？xml version=“”encoding=“”？>

5 结语

本文通过数据元来表达数据模型中的数据项，并通过关键词来表达数据元的语义。利用编辑距离算法和杰卡德算法的思想，对数据项与数据元进行配对，对数据元与数据元之间的相像性进行配对，间接定位数据项的语义映射联系，从而得出数据表的映射联系。最终为表达异构模型的映射引出一个映射文件。将中国石油企业的数据元为试验数据，对中石油数据模型中的数据项进行了标准化，以保证研究的实用性。