基于语义的XML数据清洗框架.pdfVIP

第39卷第4期 郑 州 大 学 学报(理 学版) Vo1．39 No．4 2007年12月 J．of Zhengzhou Univ．(Nat．Sci．Ed．) Dec．2007 基于语义的XML数据清洗框架 程 亮， 张联超， 黄志球， 李 婧 (南京航空航天大学信息科学与技术学院 南京210016) 摘要：在XMI 数据清洗中，模式约束语言提供的信息不能满足准确数据清洗过程对于领域知识的需要；同时，传 统的树编辑算法在对XMI 实例数据进行清洗时，由于缺乏对XMI 结构信息的语义描述，造成了大量的数据匹配 错误．基于此，引入参考本体和领域本体分别对上述问题进行解决，给出了模式约束的度量指标和一个XML结构 感知算法，并构建了一个基于语义的XMI 数据清洗框架． 关键词：数据质量；数据清洗；本体论；结构感知树；覆盖集 中图分类号：TP 311 文章编号：1671—6841(2007)04一O102—05 0 引言 现实数据经常出现错误或不一致的现象，大多是由数据录入或集成阶段引入，主要表现为数据的错误、 重复、不完整等L1—2j．根据“Garbage in，Garbage out”规则，需要对数据质量问题进行解决．数据清洗是对数 据质量问题进行识别和改进的过程，传统数据清洗大多关注于结构化数据．近年来，XML作为数据交换的 标准，得到业界公认，XML数据清洗也成为一个关注的问题．文献[3]对树编辑算法及相关问题进行了介 绍；文献[4]提出了一个检测XML相似数据的领域无关算法，采用逐层识别的方法实现对XML相似数据的 检测；文献[5]提出了一个XML数据的相似检测方法DogmatiX，该方法不仅比较元素取值，而且考虑了节 点的父一子结构关系的相似性．然而，上述方法大多从 文本取值的层面对XML数据进行检测与清洗，没有 考虑其内在的语义信息．由于缺乏语义描述，清洗过 模式约 束处理 程出现不连续的回退现象，难以实现自动化的清洗 转换过程 j． 本文对传统清洗方法引入语义描述，提出了一 个基于语义的XML数据清洗框架(Semantic-based XML Data Cleaning Framework，SXDCF)．该框架 实例数 对领域知识的本体表达比传统的模式约束信息具有 据清洗 更为丰富的表现力，同时XML的结构信息与清洗结 果具有形式化的语义描述，支持基于本体的自动推 理，易于实现自动化的清洗过程． 1 基于语义的XML数据清洗框架 语义验 证阶段 针对XML数据清洗由于缺失语义信息而造成 图1 基于语义的XML数据清洗框架 清洗结果不准确及清洗过程不连续的现状，提出了 Fig．1 Semantic—based XMI data cleaning framework 一 个基于语义的XML数据清洗框架(图1)．主要有 以下3个方面的工作． 收稿日期：2007—04—26 作者简介：程亮(1 982一)，男，硕士研究生，主要从事数据库应用研究，E-mail：zlc—nuaa@126．com 第4期 程 亮等：基于语义的XML数据清洗框架