đối sánh tự động lược đồ xml

Bài toán đối sánh lược đồ có thể được định nghĩa một cách phi hình thức như sau: [6], [11] “Cho hai lược đồ S 1 và S 2 trên mô hình dữ liệu bất kỳ, có thể có thêm thông tin phụ trợ và m

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Mở đầu Error! Bookmark not defined.

1 Giới thiệu chung Error! Bookmark not defined

2 Nội dung luận văn Error! Bookmark not defined Chương 1 Đối sánh lược đồ Error! Bookmark not defined 1.1 Tổng quan về đối sánh lược đồ Error! Bookmark not defined

1.1.1 Các khái niệm cơ bản về đối sánh lược đồ Error! Bookmark not defined 1.1.2 Các lĩnh vực ứng dụng đối sánh lược đồ Error! Bookmark not defined

1.2 Các tiếp cận đối sánh lược đồ Error! Bookmark not defined

1.2.1 Phân loại các tiếp cận đối sánh lược đồ Error! Bookmark not defined 1.2.2 Các tiếp cận đối sánh lược đồ Error! Bookmark not defined 1.2.3 Các phương pháp đối sánh lược đồ Error! Bookmark not defined

1.3 Các hệ thống đối sánh lược đồ XML Error! Bookmark not defined

1.3.1 Cupid (trung tâm nghiên cứu Microsoft) Error! Bookmark not defined 1.3.2 Similarity Flooding (Đại học Stanford và đại học Leipzig) Error! Bookmark

not defined

1.3.3 LSD (Đại học Washington) Error! Bookmark not defined 1.3.4 Clio (IBM Almaden và đại học Toronto) Error! Bookmark not defined 1.3.5 Một số hệ thống đối sánh lược đồ khác Error! Bookmark not defined

1.4 Kết chương Error! Bookmark not defined Chương 2 Các định nghĩa hình thức Error! Bookmark not defined 2.1 Vấn đề đối sánh lược đồ XML Error! Bookmark not defined

2.1.1 Đối sánh ngữ nghĩa và đối sánh cú pháp Error! Bookmark not defined 2.1.2 Thông tin đầu vào của tiến trình đối sánh Error! Bookmark not defined 2.1.3 Thông tin đầu ra của tiến trình đối sánh Error! Bookmark not defined 2.1.4 Các định nghĩa hình thức Error! Bookmark not defined

2.2 Mô hình hóa lược đồ XML Error! Bookmark not defined

2.2.1 Các nút đồ thị lược đồ Error! Bookmark not defined 2.2.2 Các cạnh đồ thị lược đồ Error! Bookmark not defined 2.2.3 Các ràng buộc đồ thị lược đồ Error! Bookmark not defined 2.2.4 Các định nghĩa hình thức Error! Bookmark not defined

2.3 Ánh xạ nguồn–đích Error! Bookmark not defined

Chương 3 Đối sánh tự động lược đồ XML Error! Bookmark not defined.

3.1 Tổng quan về đối sánh tự động lược đồ XML Error! Bookmark not defined

3.2 Đo độ tương đồng ngôn ngữ Error! Bookmark not defined

3.2.1 WordNet và quan hệ ngữ nghĩa giữa các từ Error! Bookmark not defined

3.2.2 Thuật toán của Hirst và St-Onge Error! Bookmark not defined

3.2.3 Giải pháp của hệ thống Cupid Error! Bookmark not defined

3.3 Xét tính tương thích kiểu dữ liệu lược đồ XML và phân tích phân cấp kiểu

người thiết kế Error! Bookmark not defined

3.3.1 Xét tính tương thích kiểu dữ liệu lược đồ XML Error! Bookmark not defined

3.3.2 Phân tích phân cấp kiểu người thiết kế Error! Bookmark not defined

3.4 Đo độ tương đồng cấu trúc Error! Bookmark not defined

3.4.1 Định nghĩa ngữ cảnh nút Error! Bookmark not defined

3.4.2 Đo độ tương tự đường dẫn Error! Bookmark not defined

3.4.3 Đo độ tương đồng ngữ cảnh nút Error! Bookmark not defined

3.5 Đo độ tương đồng nút và tạo ánh xạ giữa các phần tử Error! Bookmark not

defined

3.5.1 Đo độ tương đồng nút Error! Bookmark not defined

3.5.2 Tạo ánh xạ giữa các nút và cạnh đối sánh Error! Bookmark not defined

3.6 Đánh giá tiến trình đối sánh lược đồ XML Error! Bookmark not defined

3.6.1 Các phương pháp đánh giá Error! Bookmark not defined

3.6.2 Đánh giá giải pháp Error! Bookmark not defined

3.7 Áp dụng đối sánh lược đồ trong bài toán chuyển đổi tài liệu có cấu trúc Error!

Bookmark not defined

3.7.1 Tổng quan về tài liệu có cấu trúc Error! Bookmark not defined

3.7.2 Chuyển đổi tự động tài liệu có cấu trúc Error! Bookmark not defined

3.7.3 Mô hình cho hệ thống chuyển đổi tự động tài liệu XML Error! Bookmark not

defined

3.8 Kết chương Error! Bookmark not defined

Kết luận và hướng phát triển Error! Bookmark not defined.

1 Đóng góp chính của luận văn Error! Bookmark not defined

2 Hướng phát triển Error! Bookmark not defined

Danh mục tài liệu tham khảo Error! Bookmark not defined.

Phụ lục Error! Bookmark not defined.

Phụ lục A: Ngôn ngữ đánh dấu mở rộng - XML Error! Bookmark not defined

Phụ lục B: Lược đồ XML Error! Bookmark not defined

Phụ lục C: Thuật toán của Hirst và St-Onge Error! Bookmark not defined

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Lời cảm ơn

Luận văn này đánh dấu kết thúc hai năm cao học tại trường đại học Bách

Khoa Hà Nội Trong quãng thời gian tuy chưa dài nhưng cũng không phải là ngắn

đó, tôi đã trưởng thành rất nhiều về kiến thức cũng như khả năng nghiên cứu

Tôi xin bày tỏ lòng biết ơn sâu sắc tới thầy giáo – TS Huỳnh Quyết Thắng,

người đã hướng dẫn, giúp đỡ tôi hết sức tận tình trong quá trình thực hiện luận văn

tốt nghiệp Thầy là người đã cung cấp ý tưởng, tài liệu ban đầu về đề tài, các hướng

dẫn quan trọng trong suốt quá trình thực hiện luận văn, dành thời gian đọc và sửa

chữa báo cáo cũng như có những góp ý rất quan trọng cho tôi trong suốt quá trình

hoàn thiện luận văn này

Tôi xin cám ơn thư viện trường EPFL, Thụy Sỹ đã cung cấp cho tôi một số tài

liệu tham khảo bổ ích, xin cảm ơn các nhóm sinh viên K48 khoa Công nghệ thông

tin, trường đại học Bách Khoa Hà Nội đã tận tình làm việc cùng tôi và góp nhiều

công sức trong quá trình cài đặt thử nghiệm chương trình

Tôi xin gửi lời cám ơn sâu sắc tới các thầy giáo, cô giáo của trường đại học

Bách Khoa Hà Nội, khoa Công nghệ thông tin đã tận tình giảng dạy, trang bị kiến

thức cho chúng tôi, xin gửi lời cám ơn bộ môn Kỹ thuật hệ thống, khoa Công nghệ

thông tin, trường đại học Xây dựng Hà Nội đã hết sức tạo điều kiện về thời gian cho

tôi hoàn thành luận văn này

Tôi cũng xin gửi lời cám ơn tới các bạn của tôi, những người đã chia sẻ với tôi

nhiệt huyết và niềm say mê học tập & nghiên cứu khoa học, chia sẻ với tôi kiến thức

và phương pháp tìm hiểu vấn đề, cung cấp cho tôi các tài liệu thiết thực cũng như

những ý tưởng bổ sung cho luận văn, góp phần giúp tôi thực hiện luận văn này

trong sự cố gắng và nỗ lực cao nhất

Cuối cùng nhưng cũng là điều quan trọng nhất, cho tôi gửi lời cảm ơn sâu sắc

tới bố, mẹ, em trai và những người thân của tôi, những người đã giúp đỡ tôi rất

nhiều cả về vật chất lẫn tinh thần trong suốt quá trình học tập và công tác, động

viên tôi trong những lúc khó khăn cũng như chia sẻ niềm vui với tôi những lúc

thành công Một lần nữa tôi xin chân thành cám ơn tất cả./

Hà Nội, tháng 11 năm 2006

Võ Sỹ Nam

ii

Mục lục

Danh mục từ viết tắt, thuật ngữ iv

Danh mục bảng biểu v

Danh mục hình vẽ v

Mở đầu 1

1 Giới thiệu chung 1

2 Nội dung luận văn 3

Chương 1 Đối sánh lược đồ 6

1.1 Tổng quan về đối sánh lược đồ 7

1.1.1 Các khái niệm cơ bản về đối sánh lược đồ 7

1.1.2 Các lĩnh vực ứng dụng đối sánh lược đồ 8

1.2 Các tiếp cận đối sánh lược đồ 14

1.2.1 Phân loại các tiếp cận đối sánh lược đồ 14

1.2.2 Các tiếp cận đối sánh lược đồ 15

1.2.3 Các phương pháp đối sánh lược đồ 17

1.3 Các hệ thống đối sánh lược đồ XML 20

1.3.1 Cupid (trung tâm nghiên cứu Microsoft) 21

1.3.2 Similarity Flooding (đại học Stanford và đại học Leipzig) 23

1.3.3 LSD (đại học Washington) 24

1.3.4 Clio (IBM Almaden và đại học Toronto) 25

1.3.5 Một số hệ thống đối sánh lược đồ khác 26

1.4 Kết chương 28

Chương 2 Các định nghĩa hình thức 29

2.1 Vấn đề đối sánh lược đồ XML 30

2.1.1 Đối sánh ngữ nghĩa và đối sánh cú pháp 30

2.1.2 Thông tin đầu vào của tiến trình đối sánh 32

2.1.3 Thông tin đầu ra của tiến trình đối sánh 34

2.1.4 Các định nghĩa hình thức 35

2.2 Mô hình hóa lược đồ XML 36

2.2.1 Các nút đồ thị lược đồ 37

2.2.2 Các cạnh đồ thị lược đồ 37

2.2.3 Các ràng buộc đồ thị lược đồ 38

2.2.4 Các định nghĩa hình thức 40

2.3 Ánh xạ nguồn–đích 43

2.4 Kết chương 46

Chương 3 Đối sánh tự động lược đồ XML 47

3.1 Tổng quan về đối sánh tự động lược đồ XML 48

3.2 Đo độ tương đồng ngôn ngữ 49

3.2.1 WordNet và quan hệ ngữ nghĩa giữa các từ 49

3.2.2 Thuật toán của Hirst và St-Onge 50

3.2.3 Giải pháp của hệ thống Cupid 52

3.3 Xét tính tương thích kiểu dữ liệu lược đồ XML và phân tích phân cấp kiểu người thiết kế 53

3.3.1 Xét tính tương thích kiểu dữ liệu lược đồ XML 53

3.3.2 Phân tích phân cấp kiểu người thiết kế 55

3.4 Đo độ tương đồng cấu trúc 56

3.4.1 Định nghĩa ngữ cảnh nút 56

3.4.2 Đo độ tương tự đường dẫn 58

3.4.3 Đo độ tương đồng ngữ cảnh nút 63

3.5 Đo độ tương đồng nút và tạo ánh xạ giữa các phần tử 66

3.5.1 Đo độ tương đồng nút 66

3.5.2 Tạo ánh xạ giữa các nút và cạnh đối sánh 67

3.6 Đánh giá tiến trình đối sánh lược đồ XML 68

3.6.1 Các phương pháp đánh giá 68

3.6.2 Đánh giá giải pháp 70

3.7 Áp dụng đối sánh lược đồ trong bài toán chuyển đổi tài liệu có cấu trúc 72

3.7.1 Tổng quan về tài liệu có cấu trúc 73

3.7.2 Chuyển đổi tự động tài liệu có cấu trúc 76

3.7.3 Mô hình cho hệ thống chuyển đổi tự động tài liệu XML 78

3.8 Kết chương 80

Kết luận và hướng phát triển 81

1 Đóng góp chính của luận văn 81

2 Hướng phát triển 84

Danh mục tài liệu tham khảo 86

Phụ lục 88

Phụ lục A: Ngôn ngữ đánh dấu mở rộng - XML 89

Phụ lục B: Lược đồ XML 97

Phụ lục C: Thuật toán của Hirst và St-Onge 100

Danh mục từ viết tắt, thuật ngữ

DTD Document Type Definition

XSD XML Schema Definition

LCS Longest Common Subsequence

Danh mục bảng biểu

Bảng 3 1 Đặc điểm các lược đồ thử nghiệm 70

Bảng 3 2 Kết quả đo chất lượng đối sánh 71

Danh mục hình vẽ Hình 2 1 Ví dụ về đồ thị lược đồ 36

Hình 3 1 Tiến trình tính toán độ tương đồng phần tử 49

Hình 3 2 Ngữ cảnh của một phần tử lược đồ 57

Hình 3 3 So sánh các đối sánh thực với các đối sánh suy diễn được 70

Hình 3 4 Biểu đồ so sánh kết quả thực thi 72

Hình 3 5 Mô hình cho hệ thống chuyển đổi tự động tài liệu XML 79

1

Mở đầu

1 Giới thiệu chung

Một vấn đề rất quan trọng trong các hệ thống xử lý thông tin là trao đổi

và sử dụng lại dữ liệu giữa các hệ thống có dữ liệu không đồng nhất Tính không đồng nhất của dữ liệu là do các tổ chức hoặc ứng dụng thường tạo ra

dữ liệu cho chính mình dựa trên các yêu cầu riêng biệt Các yêu cầu này hầu hết thường được đặc tả trong các mô hình dữ liệu trừu tượng, còn gọi là các lược đồ (chẳng hạn như lược đồ quan hệ, lược đồ hướng đối tượng và gần đây

là lược đồ XML) Trong những năm gần đây, sự phát triển mạnh mẽ của các nguồn dữ liệu Web với rất nhiều mô hình thông tin và cú pháp mã hóa khác nhau đã dẫn đến nhu cầu ngày càng cấp thiết của việc phát triển các phương pháp và công cụ hỗ trợ cho việc trao đổi và sử dụng lại dữ liệu, do vậy đã có rất nhiều nghiên cứu quan tâm đến vấn đề này Như ta biết, đối sánh lược đồ

là vấn đề trung tâm trong hầu hết các nghiên cứu đó Bài toán đối sánh lược

đồ có thể được định nghĩa một cách phi hình thức như sau: [6], [11] “Cho hai lược đồ S 1 và S 2 trên mô hình dữ liệu bất kỳ, có thể có thêm thông tin phụ trợ

và một ánh xạ khởi đầu, hãy tìm ánh xạ giữa các phần tử lược đồ thỏa mãn yêu cầu người dùng” Nói cách khác, đây là vấn đề tìm kiếm sự tương đồng giữa các phần tử của S 1 và S 2 (hay là việc xác định các thành phần tương đương nhau giữa hai lược đồ nguồn và đích đã cho) bằng cách khai thác các thông tin tồn tại trong lược đồ, dữ liệu và các nguồn thông tin phụ trợ

Thực tế cho thấy, các thách thức gặp phải khi tìm kiếm giải pháp cho bài

toán đối sánh lược đồ là rất lớn Thứ nhất, quá trình này cần đến sự phân tích

ngữ nghĩa trong các lược đồ đó, hay nói cách khác ta cần suy diễn được nhận

thức về lược đồ của người tạo ra nó Tuy vậy, các lược đồ thường được thiết

kế bởi những con người khác nhau với những nhận thức khác nhau về thế giới

thực cho các mục đích khác nhau Thứ hai, việc khai thác thông tin cho bài

toán đối sánh lược đồ gặp rất nhiều khó khăn vì ta phải khai thác một lượng

lớn thông tin hỗn tạp và không chắc chắn, ví dụ như tài liệu đặc tả lược đồ,

các nguồn dữ liệu của lược đồ… Từ các phân tích trên, có thể thấy rằng việc

đối sánh lược đồ bằng tay thường khá tốn kém và dễ gây lỗi Điều đó cho thấy

việc phát triển các kỹ thuật nhằm tự động hóa một cách tối đa tiến trình đối

sánh lược đồ là rất quan trọng

Hiện nay, XML (eXtended Markup Language - ngôn ngữ đánh dấu mở

rộng) [24] đã trở thành chuẩn ngôn ngữ hiệu quả và thích hợp cho việc biểu

diễn dữ liệu trên Web Nhu cầu sử dụng XML như là chuẩn biểu diễn và trao

đổi dữ liệu ngày càng tăng của cộng đồng Web đã tạo nên một lượng dữ liệu

XML ngày càng lớn Gắn liền với sự gia tăng đó, một lượng lớn các lược đồ

XML [25], [26], [27] đã được phát triển với rất nhiều đặc tả khác nhau, dẫn

đến một lượng lớn dữ liệu XML không đồng nhất Thêm vào đó, hiện tại lại

có khá nhiều ngôn ngữ lược đồ khác nhau được đưa ra, dẫn đến sự không

đồng nhất về mặt cú pháp ở các ngôn ngữ lược đồ Với sự phát triển nhanh

chóng và sự tăng trưởng mạnh mẽ về mặt quy mô của các ứng dụng Web, đặc

biệt là sự phổ dụng của Internet và công nghệ XML, đã có rất nhiều nghiên

cứu quan tâm đến vấn đề trao đổi và sử dụng lại dữ liệu XML Vấn đề đối

sánh lược đồ XML do vậy ngày càng trở nên quan trọng Nhằm góp phần tìm

hiểu và giải quyết vấn đề đó một cách hiệu quả hơn, luận văn này sẽ tổng hợp

lại cũng như đưa ra các đóng góp thêm cho bài toán đối sánh lược đồ XML

2 Nội dung luận văn

Luận văn này nghiên cứu vấn đề đối sánh tự động lược đồ XML Luận văn bao gồm ba chương Chương 1 mô tả tổng quan về vấn đề đối sánh lược

đồ Chương 2 đưa ra các định nghĩa hình thức cho vấn đề đối sánh lược đồ XML Chương 3 mô tả giải pháp đối sánh tự động lược đồ XML Cũng trong chương 3, chúng tôi sẽ xem xét vấn đề chuyển đổi tự động tài liệu XML Cuối cùng, phần kết luận nêu lên những đóng góp chính và các hướng phát triển Sau đây là những nội dung chính của luận văn:

Chương 1: Đối sánh lược đồ Chương này bao gồm ba nội dung chính:

- Trình bày các khái niệm, định nghĩa cơ bản về vấn đề đối sánh lược đồ

và các lĩnh vực ứng dụng chính của đối sánh lược đồ như tích hợp lược đồ, tích hợp dữ liệu, kho dữ liệu, chuyển đổi (hay dịch, trao đổi) dữ liệu, quản lý

dữ liệu ngang hàng, thương mại điện tử, đối sánh và tích hợp ontology, Web

ngữ nghĩa, xử lý truy vấn ngữ nghĩa, v.v

- Trình bày các tiếp cận đối sánh lược đồ điển hình Phần này chúng tôi

sẽ xem xét các tiếp cận điển hình như tiếp cận dựa trên học máy, dựa trên luật, dựa trên siêu dữ liệu cũng như một số tiếp cận khác Tiếp theo chúng tôi

sẽ xem xét các phương pháp đối sánh điển hình như đối sánh ngôn ngữ, đối sánh dựa trên ràng buộc, đối sánh cấu trúc và một số phương pháp khác Chúng tôi cũng sẽ phân tích những điểm mạnh cũng như những hạn chế của các giải pháp này, từ đó lựa chọn giải pháp cho tiếp cận của chúng tôi

- Mô tả một số hệ thống đối sánh lược đồ cũng như phân tích các đặc điểm cơ bản nhất của các hệ thống đó Thông qua các hệ thống này, đặc biệt

là hai hệ thống Cupid [11] và Similarity Flooding [12], chúng tôi sẽ phân tích các giới hạn của các thuật toán đối sánh lược đồ hiện tại, từ đó lựa chọn các thuật toán đối sánh sẽ sử dụng trong tiếp cận của chúng tôi

Chương 2: Các định nghĩa hình thức Chương này bao gồm ba nội dung

chính:

- Trình bày các định nghĩa hình thức cho vấn đề đối sánh lược đồ, tập

trung vào lược đồ XML Các giải pháp hiện hành nhìn chung không quan tâm

nhiều đến việc đưa ra các định nghĩa hình thức đầy đủ cho vấn đề Trong

chương này, chúng tôi cũng sẽ mô tả các giả thiết cơ bản cho vấn đề đối sánh

lược đồ XML

- Trình bày giải pháp mô hình hóa lược đồ XML dựa trên đồ thị gán nhãn

có hướng với các ràng buộc Các nút của đồ thị biểu diễn các phần tử và các

thuộc tính của lược đồ XML trong khi các cạnh của đồ thị biểu diễn các quan

hệ khác nhau giữa các phần tử

- Mô tả đại số ánh xạ nguồn–đích áp dụng cho vấn đề chuyển đổi dữ liệu

Đại số ánh xạ nguồn–đích là một mở rộng của đại số quan hệ chuẩn Trong

luận văn này chúng tôi sẽ xem xét tập các phép toán bao gồm hợp, chọn,

nhập, tách, nối, áp dụng và đổi tên

Chương 3: Đối sánh tự động lược đồ XML

Chương này mô tả giải pháp đối sánh tự động lược đồ XML, đánh giá

giải pháp và mô tả một ứng dụng điển hình cho đối sánh lược đồ, vấn đề

chuyển đổi tự động tài liệu XML Chương này bao gồm các nội dung chính

sau:

- Mô tả tiến trình tính toán độ tương đồng phần tử theo ba pha:

+ Đo độ tương đồng ngôn ngữ: sử dụng thuật toán của Hirst và

St-Onge để tính toán khoảng cách ngữ nghĩa dựa trên WordNet [7] Thuật toán

này được thay đổi để đưa ra hệ số tương đồng cũng như các quan hệ ngữ

nghĩa (tương đương, rộng hơn, hẹp hơn, v.v )

+ Xét tính tương thích kiểu dữ liệu: dựa trên việc phân tích các kiểu dữ

liệu lược đồ XML để suy ra hệ số tương thích kiểu dữ liệu Với nút nguyên tố

(tức nút lá) chúng tôi sử dụng phân cấp kiểu lược đồ XML [27], còn với nút

5trung gian chúng tôi sử dụng các tính năng như thừa kế kiểu, nhóm thay thế

và kiểu trừu tượng để tìm kiếm các ánh xạ phức hợp

+ Đo độ tương đồng cấu trúc: khác với các thuật toán đối sánh cấu trúc

hiện hành, chúng tôi nhấn mạnh vào khái niệm ngữ cảnh của phần tử Ngữ cảnh của một phần tử là sự kết hợp ngữ cảnh tổ tiên, ngữ cảnh con và ngữ cảnh lá của nó Để so sánh các ngữ cảnh này, chúng tôi so sánh các đường dẫn dựa trên các ý tưởng về trả lời truy vấn đường dẫn

- Đưa ra các ánh xạ trực tiếp cũng như phức hợp giữa các phần tử lược

đồ (với các phép toán chuyển đổi và điều kiện chuyển đổi tương ứng) từ độ tương đồng phần tử đã tính toán

- Đánh giá giải pháp đối sánh lược đồ XML đã đưa ra sử dụng các phép

đo chất lượng được đã được định nghĩa trong [5]

Cũng trong chương này, chúng tôi sẽ xem xét một trong những ứng dụng điển hình của đối sánh lược đồ, vấn đề chuyển đổi tài liệu có cấu trúc Đầu tiên chúng tôi mô tả tổng quan về tài liệu có cấu trúc, tiếp theo chúng tôi trình bày vấn đề chuyển đổi tự động tài liệu có cấu trúc và cuối cùng chúng tôi đưa

ra một mô hình cho hệ thống chuyển đổi tự động tài liệu XML Trong tương lai chúng tôi có ý định áp dụng giải pháp đối sánh lược đồ nêu trên vào mô hình này

Kết luận và các hướng phát triển

Trong phần này, chúng tôi sẽ nêu lên các đóng góp chính của luận văn và đưa ra một số định hướng phát triển trong tương lai cho đề tài

Chương 1

Đối sánh lược đồ

Trong chương này chúng tôi tổng hợp lại các kết quả nghiên cứu điển

hình về vấn đề đối sánh lược đồ Trước hết chúng tôi trình bày các khái niệm

cơ bản cũng như các lĩnh vực ứng dụng điển hình của đối sánh lược đồ Như

ta sẽ thấy, các lĩnh vực này là rất phong phú, cho thấy tầm quan trọng của

bài toán đối sánh lược đồ Tiếp theo chúng tôi mô tả các tiếp cận đối sánh cơ

bản và các phương pháp đối sánh thông dụng hiện nay Dựa trên các khảo

sát về đối sánh lược đồ cũng như một số nghiên cứu gần đây, chúng tôi tiến

hành phân tích và so sánh các tiếp cận này Như ta sẽ thấy, các giải pháp đối

sánh thường kết hợp nhiều phương pháp khác nhau để tăng tính hiệu quả cho

tiến trình đối sánh

Trong chương này chúng tôi cũng mô tả một số hệ thống đối sánh lược

đồ điển hình đã được thực hiện, đánh giá và so sánh các thuật toán được sử

dụng trong các hệ thống này Từ các đánh giá đó chúng tôi nêu ra các hạn

chế cơ bản của các thuật toán này, đặc biệt là trong vấn đề chuyển đổi dữ

liệu Cuối cùng, trên cơ sở các phân tích trên, chúng tôi sẽ chứng tỏ rằng các

thuật toán đối sánh lược đồ hiện tại cần được phát triển và hoàn thiện thêm

nhằm giải quyết vấn đề tự động hóa tiến trình đối sánh lược đồ một cách có

hiệu quả nhất

1.1 Tổng quan về đối sánh lược đồ

1.1.1 Các khái niệm cơ bản về đối sánh lược đồ

Đối sánh lược đồ là quá trình thao tác trên các lược đồ với đầu vào là hai lược đồ không đồng nhất và có thể có thêm thông tin phụ, trả về một tập các ánh xạ cho biết sự liên quan ngữ nghĩa giữa các phần tử lược đồ [17] Trong thực tế, đối sánh lược đồ thường được thực hiện bằng tay với sự hỗ trợ của các công cụ đồ họa Quá trình này thường tốn thời gian và dễ gây lỗi, bởi vậy

đã có nhiều nghiên cứu được tiến hành nhằm tự động hóa tiến trình đối sánh lược đồ Tuy nhiên đây là một vấn đề khó và phức tạp do một số lý do cơ bản sau: [21]

- Các phần tử lược đồ được đối sánh trên cơ sở ngữ nghĩa của chúng Ngữ nghĩa có thể được thể hiện từ một số nguồn thông tin như người thiết kế, tài liệu, lược đồ và thể hiện dữ liệu Thực tế cho thấy người thiết kế rất khó để nhớ được tất cả chi tiết lược đồ và tài liệu hiện có thì thường không chính xác, không được cập nhật và không thể truy cập Do đó tiến trình đối sánh lược đồ thường dựa hoàn toàn trên các dấu hiệu trong lược đồ và thể hiện dữ liệu

- Các lược đồ đã phát triển cho các ứng dụng khác nhau thì thường không đồng nhất, tức là mặc dù dữ liệu chúng mô tả là tương đồng về ngữ nghĩa nhưng cấu trúc và cú pháp sử dụng lại có thể khác nhau đáng kể

- Để giải quyết các xung đột ngữ nghĩa và lược đồ, đối sánh lược đồ thường dựa trên tên phần tử, kiểu dữ liệu phần tử, các định nghĩa cấu trúc, các ràng buộc toàn vẹn và các giá trị dữ liệu Tuy vậy, các dấu hiệu này thường không chắc chắn và không đầy đủ Ví dụ các nhãn giống nhau có thể được sử dụng cho các phần tử lược đồ có ý nghĩa hoàn toàn khác nhau Ngược lại, hai phần tử với các nhãn khác nhau có thể tham chiếu tới cùng một thực thể thực

tế Kiểu dữ liệu cũng thường không chính xác (ví dụ sử dụng kiểu "string"

thay vì "date") và các ràng buộc thường là không đầy đủ Trong điều kiện

này, vấn đề chính sẽ không chỉ là việc phải xác định được các quan hệ đang

tồn tại giữa các phần tử lược đồ mà còn phải chắc chắn rằng tiến trình đối

sánh sẽ không đưa ra các ánh xạ không chính xác

- Ánh xạ đơn giản nhất là ánh xạ một-một, nối kết một phần tử lược đồ

nguồn trực tiếp tới một phần tử lược đồ đích Tuy vậy trong thực tế, một phần

tử trong lược đồ này có thể tương ứng với nhiều phần tử trong lược đồ khác

bằng cách áp dụng một hoặc một vài phép toán (ví dụ phần tử đích “Name”

tương ứng với ghép nối của hai phần tử nguồn “firstName” và “lastName”) và

thậm chí nhiều phần tử trong lược đồ này cũng có thể tương ứng với nhiều

phần tử trong một lược đồ khác Loại ánh xạ này được gọi là phức hợp hay

gián tiếp và thường không thể suy ra được ngay từ lược đồ và các thể hiện mà

thường đòi hỏi sự can thiệp của người dùng Việc khám phá ánh xạ phức hợp

là một vấn đề khó và phức tạp bởi vì quá trình đối sánh không chỉ cần tìm

kiếm các ánh xạ này mà còn phải nhận biết các phép toán cần đến chẳng hạn

như ghép nối hai phần tử, hợp nhất hoặc phân chia các giá trị dữ liệu, v.v

- Hiển nhiên quá trình đối sánh lược đồ không thể thực hiện tự động

được hoàn toàn, do vậy nó đòi hỏi phải có sự can thiệp của người dùng Từ đó

có thể thấy một điều quan trọng là quá trình đối sánh không chỉ cần tự động

đến mức có thể mà còn phải nhận biết được khi nào đầu vào người dùng là

cần thiết và đầu vào đó phải được khai thác một cách hiệu quả nhất

1.1.2 Các lĩnh vực ứng dụng đối sánh lược đồ

Đối sánh lược đồ là bước then chốt trong những ứng dụng mà dữ liệu

chúng xử lý được cấu trúc hóa dưới các mô hình đã chỉ ra (chẳng hạn như

lược đồ quan hệ, lược đồ hướng đối tượng, DTD, lược đồ XML, v.v ) hoặc

những ứng dụng mà các lược đồ chúng khai thác là không đồng nhất Đối

9sánh lược đồ cho phép thao tác trên các lược đồ, dịch dữ liệu và trả lời truy vấn qua các lược đồ không đồng nhất Nhiều ứng dụng khác nhau dựa trên đối sánh lược đồ đã xuất hiện và đã được nghiên cứu rộng rãi trong các lĩnh vực

cơ sở dữ liệu (CSDL) và trí tuệ nhân tạo (TTNT) [17], chẳng hạn như tích hợp lược đồ, tích hợp dữ liệu, kho dữ liệu, chuyển đổi (hay dịch, trao đổi) dữ liệu, quản lý dữ liệu ngang hàng, thương mại điện tử, đối sánh và tích hợp

ontology, Web ngữ nghĩa, xử lý truy vấn ngữ nghĩa, v.v Sau đây chúng tôi sẽ

xem xét tổng quan các vấn đề chính trong các lĩnh vực này

1.1.2.1 Tích hợp lược đồ Hầu hết các nghiên cứu về đối sánh lược đồ ban đầu là nhằm giải quyết vấn đề tích hợp lược đồ, là vấn đề hợp nhất các lược đồ tự trị và không đồng nhất thành một lược đồ tổng thể, gọi là lược đồ trung gian Vấn đề tích hợp lược đồ là một mối quan tâm chính trong hai thập kỷ qua trong lĩnh vực CSDL [17] Do các lược đồ là tự trị và được phát triển độc lập, chúng thường biểu diễn không đồng nhất các ngôn ngữ và cấu trúc khác nhau Quá trình tích hợp đòi hỏi nhận dạng được các phụ thuộc liên lược đồ Đây là một quá trình đối sánh lược đồ Một khi chúng đã được nhận dạng, các phần tử đối sánh được hợp nhất dưới một lược đồ trung gian cố kết

1.1.2.2 Tích hợp dữ liệu Các hệ thống tích hợp dữ liệu có mục đích cung cấp cho người dùng một giao diện truy vấn đồng bộ cho rất nhiều nguồn dữ liệu Hai thành phần chính

tạo thành kiến trúc của một hệ thống tích hợp dữ liệu: trình bao bọc và trình môi giới Trình bao bọc bọc một nguồn thông tin và mô hình hóa nguồn thông tin đó sử dụng một lược đồ nguồn Trình môi giới duy trì một lược đồ tổng thể

và các ánh xạ giữa lược đồ tổng thể và các lược đồ nguồn Mỗi khi người dùng đưa ra một truy vấn trên lược đồ tổng thể, trình môi giới sử dụng các ánh xạ này để công thức hóa lại một truy vấn tổng thể thành một tập các truy

vấn con mà có thể thi hành trong các lược đồ nguồn và như vậy trình môi giới

có thể tập hợp các trả lời được trả lại từ các nguồn và kết hợp chúng thành trả

lời cho truy vấn[21]

Như vậy một vấn đề then chốt trong việc xây dựng hệ thống tích hợp dữ

liệu là việc cung cấp chính xác các ánh xạ giữa các lược đồ tổng thể và nguồn

Hiện nay, có hai giải pháp chính cho việc cung cấp các ánh xạ này: khung

nhìn tổng thể và khung nhìn cục bộ Trong tiếp cận đầu, lược đồ trung gian

được định nghĩa dưới dạng các lược đồ của các nguồn Còn trong tiếp cận

sau, các mô tả của nguồn được cho theo hướng ngược lại Thuận lợi chính của

tiếp cận đầu là việc công thức hóa lại truy vấn là đơn giản Tuy vậy, việc thêm

các nguồn vào lược đồ trung gian lại không phải là việc tầm thường Ngược

lại, trong tiếp cận sau, việc công thức hóa lại truy vấn khó hơn nhưng việc

thêm vào các nguồn mới thì khá đơn giản Từ đó một số nghiên cứu đã đề

xuất giải pháp kết hợp hai tiếp cận trên để tích hợp các nguồn dữ liệu không

đồng nhất[20]

1.1.2.3 Kho dữ liệu

Một biến thể của vấn đề tích hợp dữ liệu là tập hợp các nguồn dữ liệu

tích hợp vào một kho tập trung, gọi là kho dữ liệu Quá trình này đòi hỏi phải

chuyển đổi dữ liệu từ định dạng nguồn thành định dạng kho dữ liệu, do đó có

thể sử dụng đối sánh lược đồ để thực hiện các chuyển đổi này Với một nguồn

dữ liệu đã cho, một phương pháp thích hợp để tạo các chuyển đổi là tìm kiếm

các phần tử của nguồn mà có mặt trong kho dữ liệu Thuận lợi chính của kho

dữ liệu là hiệu quả cao trong trả lời truy vấn (bởi vì các truy vấn được áp dụng

trực tiếp tới dữ liệu trong kho) Tuy vậy, nó đòi hỏi kho phải được cập nhật

khi dữ liệu thay đổi, điều này không thích hợp khi điều quản một số lượng lớn

nguồn hoặc khi nguồn thường xuyên thay đổi Hiện nay một khung làm việc

hỗ trợ cho các khung nhìn tích hợp mà kết hợp các tiếp cận kho dữ liệu và kho ảo đã được đề xuất [17]

1.1.2.4 Chuyển đổi dữ liệu Trong vài năm gần đây, sự phát triển nhanh chóng của thông tin trực tuyến trong các nguồn không đồng nhất phân biệt lưu trữ dưới các định dạng khác nhau đã dẫn đến một ứng dụng khác đòi hỏi việc đối sánh lược đồ: trao đổi dữ liệu Trao đổi dữ liệu mà thường được gọi là dịch hay chuyển đổi dữ liệu là vấn đề dịch nội dung của nguồn dữ liệu thành thể hiện của một lược đồ đích mà phản ánh dữ liệu nguồn chính xác đến mức có thể

Tuy vấn đề trao đổi dữ liệu có một số điểm tương đồng với vấn đề tích hợp dữ liệu, vẫn có một số khác biệt quan trọng giữa hai vấn đề này Trong kịch bản chuyển đổi dữ liệu, lược đồ đích nhìn chung được tạo ra độc lập và

có các ràng buộc của bản thân nó Còn trong tích hợp dữ liệu lược đồ tổng thể

là một lược đồ ảo và có tính hòa hợp, không có các ràng buộc định nghĩa trước Một khác biệt quan trọng nữa là trong trao đổi dữ liệu ta phải tạo ra một thể hiện đích mà phản ánh tốt nhất thể hiện nguồn đã cho Trong tích hợp

dữ liệu không có sự trao đổi nào về dữ liệu được yêu cầu Việc tự động hóa quá trình dịch dữ liệu đòi hỏi sử dụng đối sánh lược đồ để phát hiện sự tương đồng giữa lược đồ nguồn và đích, đây là một bước then chốt để đưa ra một chương trình dịch thích hợp [17]

1.1.2.5 Thương mại điện tử Với sự phổ biến của Internet hiện nay, các công ty kinh doanh ngày càng phải quản lý nhiều giao dịch trực tuyến như trao đổi thông tin, đặt hàng, xác nhận và thanh toán Các giao dịch này là quá trình trao đổi các tài liệu hay thông điệp giữa các công ty Tuy vậy các công ty thường phát triển ứng dụng với các định dạng thông điệp khác nhau như EDI (Electronic Data Exchange),

12XML (Extended Markup Language) hoặc một số định dạng khác Để trao đổi

các thông điệp đó, các ứng dụng cần phải chuyển đổi được các thông điệp từ

định dạng này sang định dạng khác Như đã nói ở trên, đây chính là vấn đề

chuyển đổi dữ liệu [17]

1.1.2.6 Quản lý dữ liệu ngang hàng

Một ứng dụng quan trọng của đối sánh lược đồ là quản lý dữ liệu ngang

hàng, là một mở rộng tự nhiên của tích hợp dữ liệu Ngược lại với môi trường

tích hợp dữ liệu, một quản lý dữ liệu ngang hàng không dựa trên khái niệm

lược đồ trung gian mà cho phép một số tùy ý các điểm truy vấn và lấy dữ liệu

trực tiếp từ mỗi điểm khác Việc xử lý thông tin và lấy nội dung giữa vô số

các điểm tự trị đòi hỏi các kỹ thuật đối sánh thích hợp để xác định các ánh xạ

giữa các khái niệm của các điểm khác nhau mà có liên quan về ngữ nghĩa

[17]

1.1.2.7 Đối sánh và tích hợp ontology

Ontology được định nghĩa như là việc khái niệm hóa một lĩnh vực dưới

dạng các khái niệm và quan hệ Hiện nay ontology được thừa nhận là một

công cụ cơ bản cho phép chia sẻ tri thức giữa các ứng dụng phân tán và không

đồng nhất Nhiều nghiên cứu xoay quanh ontology đã được thực hiện, từ thiết

kế đến phát triển và sử dụng lại Đối sánh ontology là một trong những bước

cơ bản của hầu hết các ứng dụng dựa trên ontology, trong đó có vấn đề tích

hợp ontology [6]

1.1.2.8 Web ngữ nghĩa

Một trong những vấn đề đang được quan tâm nhiều hiện nay là Web ngữ

nghĩa, tức là vấn đề sử dụng một số ontology lĩnh vực nhằm mô tả ý nghĩa của

dữ liệu trên Web Sự phát triển nhanh chóng của Internet với lượng thông tin

khổng lồ khiến ta rất khó khai thác và sử dụng hiệu quả các nguồn thông tin

13

đó, bởi vì các thông tin trên Web hiện nay được thiết kế chủ yếu cho con người sử dụng chứ không phải máy tính Mục đích của Web ngữ nghĩa là làm giàu các tài liệu Web hiện nay bằng các mô tả ngữ nghĩa nhằm làm cho máy tính có thể hiểu được Phương pháp làm giàu các tài liệu Web hiện nay là sử

dụng ontology Tuy vậy các Website khác nhau lại thường sử dụng ontology

khác nhau, bởi vậy để làm cho Web có khả năng liên tác được, ta cần các kỹ

thuật đối sánh thích hợp giữa các ontology tự trị để xác định các ánh xạ ngữ nghĩa giữa các khái niệm ontology khác nhau mà có liên quan về ngữ nghĩa

[6]

1.1.2.9 Xử lý truy vấn ngữ nghĩa Tích hợp dữ liệu, kho dữ liệu, và chuyển đổi dữ liệu nhìn chung là các vấn đề tương tự nhau bởi vì chúng đều phải phân tích các lược đồ để đưa ra các ánh xạ (và có thể một lược đồ tích hợp) – ta gọi đây là việc phân tích tại thời điểm thiết kế Một vấn đề khác hơn đôi chút là xử lý truy vấn ngữ nghĩa - một vấn đề tại thời điểm thực thi ở đó người dùng sẽ chỉ rõ đầu ra của một truy vấn và hệ thống sẽ tính toán xem làm thế nào để đưa ra đầu ra đó Đặc tả của người dùng được phát biểu dưới dạng các khái niệm quen thuộc với họ

mà có thể không giống như tên các phần tử được chỉ ra trong lược đồ CSDL Bởi vậy, trong pha đầu tiên của việc xử lý truy vấn, hệ thống phải ánh xạ các khái niệm người dùng yêu cầu trong đầu ra truy vấn tới các phần tử lược đồ Đây cũng là một ứng dụng tự nhiên của phép toán đối sánh

Sau khi ánh xạ đầu ra truy vấn tới các phần tử lược đồ, hệ thống phải nhận được một phát biểu cho biết ngữ nghĩa của ánh xạ Đã có nhiều kỹ thuật được phát triển trong nhiều thập kỷ qua nhằm thu nhận các phát biểu này Một trong những hướng nghiên cứu hiện nay là tổng quát hóa các kỹ thuật này để chỉ ra ngữ nghĩa của một ánh xạ đưa ra bởi phép toán đối sánh tìm được [17]

1.2 Các tiếp cận đối sánh lược đồ

1.2.1 Phân loại các tiếp cận đối sánh lược đồ

Đối sánh lược đồ là một vấn đề mới mẻ và thường được nghiên cứu riêng

lẻ trên nhiều lĩnh vực khác nhau, do vậy đã có nhiều khảo sát được đưa ra

nhằm phân loại các tiếp cận này Đáng chú ý hơn cả là khảo sát của Rahm &

Bernstein [17], trong đó các tác giả phân biệt các phương pháp đối sánh dựa

trên phương pháp tiếp cận mà chúng sử dụng như sau:

* Tiếp cận dựa trên lược đồ >< Tiếp cận dựa trên thể hiện: Tiếp cận dựa

trên lược đồ chỉ sử dụng các thông tin chứa trong lược đồ như tên, kiểu Còn

tiếp cận dựa trên dữ liệu chỉ sử dụng nội dung dữ liệu

* Tiếp cận dựa trên phần tử >< Tiếp cận dựa trên cấu trúc: quá trình đối

sánh có thể thực hiện cho từng phần tử (như các thuộc tính) hoặc kết hợp các

phần tử với nhau trong 1 cấu trúc

* Tiếp cận dựa trên ngôn ngữ >< Tiếp cận dựa trên ràng buộc: đối sánh

có thể sử dụng cách tiếp cận dựa trên ngôn ngữ như so sánh tên các phần tử,

các thông tin mô tả phần tử hoặc sử dụng cách tiếp cận dựa trên ràng buộc

như ràng buộc như kiểu dữ liệu, ràng buộc đơn nhất, khóa, v.v

* Tiếp cận lai >< Tiếp cận kết hợp: Để có một kết quả đối sánh tốt hơn

ta thường kết hợp các tiếp cận độc lập với nhau Các cách tiếp cận này có thể

được thực hiện trong một bộ đối sánh lai hoặc kết hợp các kết quả đối sánh

của các tiếp cận độc lập khác nhau

* Số yếu tố đối sánh: kết quả đối sánh có thể là một hay nhiều phần tử

của lược đồ nguồn đối sánh với một hay nhiều phần tử của lược đồ đích Có

bốn trường hợp cơ bản, bao gồm đối sánh 1:1, 1:n, n:1 và n:m Ngoài ra một

phần tử của lược đồ này cũng có thể liên quan đến nhiều phần tử của lược đồ

kia, khi đó có thể cần đến các phép toán hợp nhất hoặc phân tách

* Thông tin trợ giúp: các tiếp cận đối sánh thường sử dụng nhiều nguồn

thông tin trợ giúp khác nhau như từ điển, lược đồ tổng thể, các kết quả đối sánh sẵn có từ trước hay đầu vào người dùng

1.2.2 Các tiếp cận đối sánh lược đồ

Các tiếp cận đối sánh lược đồ đã được phát triển chủ yếu trong các nghiên cứu về CSDL và TTNT Trong mục này chúng tôi sẽ tổng kết lại, mô

tả và so sánh các tính năng đặc trưng của các tiếp cận này

1.2.2.1 Tiếp cận dựa trên học máy Học máy là khả năng khai thác các kết quả nhận được trước đó của một máy để cải thiện hiệu năng của nó, đặc biệt là để tự động hóa các quá trình đắt tiền và tốn thời gian Nhiều nghiên cứu gần đây trong các lĩnh vực CSDL và TTNT đã tận dụng các kỹ thuật học máy để thực hiện đối sánh lược đồ [21], [6] Các công cụ đối sánh lược đồ dựa trên học máy thông thường bao gồm

một số các môđun, gọi là người học bao gồm một môđun riêng và siêu người

học để kết hợp chúng Mỗi người học khai thác một loại thông tin khác nhau

có trong các định nghĩa cấu trúc và/hoặc trong các nguồn dữ liệu Một khi người học đã được đào tạo, công cụ đối sánh có thể tìm kiếm các ánh xạ cho một nguồn dữ liệu mới bằng cách áp dụng các người học và sau đó kết hợp các kết quả của chúng bằng cách sử dụng một siêu người học Ví dụ hệ thống

LSD [6] áp dụng một chiến lược siêu học để tạo nên một số đối sánh cơ sở mà

có xem xét đến các thể hiện dữ liệu hoặc thông tin lược đồ Ngoài ra còn một

số hệ thống khác như được nêu trong mục 1.3

1.2.2.2 Tiếp cận dựa trên luật Phần lớn các công cụ đối sánh lược đồ hiện tại đều sử dụng luật để đối sánh các lược đồ không đồng nhất Đã có nhiều nghiên cứu về vấn đề này cả trong lĩnh vực CSDL và TTNT [6], [17], [21] Các tiếp cận dựa trên luật khai

16thác nhiều loại thông tin lược đồ như tên phần tử, kiểu dữ liệu, các ràng buộc

phần tử và phân cấp cấu trúc Hệ thống Cupid [11] và Similarity Flooding

[12] sử dụng các luật tính toán độ tương đồng giữa hai lược đồ như là tổng có

trọng số của các độ tương đồng tên phần tử, kiểu dữ liệu và vị trí cấu trúc

1.2.2.3 Tiếp cận dựa trên siêu dữ liệu

Một tiếp cận khác cho vấn đề đối sánh lược đồ là tiếp cận dựa trên siêu

dữ liệu Các tiếp cận dựa trên siêu dữ liệu khai thác thêm thông tin ngữ nghĩa

được cung cấp chung bởi các chuyên gia lĩnh vực, ví dụ như siêu dữ liệu RDF

hoặc các ontology lĩnh vực Nhìn chung tiếp cận này cố gắng ánh xạ tự động

tất cả các trường của mỗi nguồn dữ liệu (hoặc lược đồ) để định nghĩa trước

ontology lĩnh vực và sau đó thực hiện đối sánh lược đồ ở mức ontology Như

vậy tiếp cận này thực chất là giải pháp chuyển vấn đề ánh xạ các nguồn dữ

liệu và các lược đồ thành việc ánh xạ các ontology

1.2.2.4 Một số tiếp cận khác

Ngoài việc sử dụng kỹ thuật học máy, một số tiếp cận còn sử dụng mạng

nơ-ron để đối sánh lược đồ [21] Tiếp cận sử dụng mạng nơ-ron khai thác các

ưu điểm của mạng nơ-ron trong việc phát hiện sự tương đồng giữa các nguồn

dữ liệu Lợi ích chính của mạng nơ-ron là thuật toán sử dụng trong pha đào

tạo không cần huấn luyện Một số tiếp cận khác cũng đã được đề xuất cho vấn

đề đối sánh lược đồ, chẳng hạn tiếp cận hướng đối tượng [21] Tiếp cận

hướng đối tượng dựa trên biểu diễn các lược đồ theo mô hình hướng đối

tượng, sau đó dịch các đặc tả lược đồ thành các biểu diễn hướng đối tượng

này Tiếp cận này thường được sử dụng trong các hệ thống tích hợp dữ liệu

1.2.2.5 So sánh các tiếp cận

Các tiếp cận trên cơ sở luật nhìn chung có giá thành không lớn và hiệu

năng cao do chúng không đòi hỏi phải có pha đào tạo và thường chỉ hoạt động

17trên các lược đồ mà bỏ qua các thể hiện dữ liệu Tiếp cận trên cơ sở luật thích hợp trong việc thu thập dễ dàng tri thức người dùng về lĩnh vực Tuy vậy các tiếp cận trên cơ sở luật không thể khai thác thông tin về các thể hiện một cách hiệu quả và gặp phải một số vấn đề với các phần tử lược đồ mà không tìm thấy các luật hiệu quả; khi đó ta cần cung cấp các dấu hiệu cần thiết Các tiếp cận trên cơ sở học yêu cầu nhiều dữ liệu đào tạo và các ví dụ đào tạo đúng Hơn nữa các tiếp cận trên cơ sở học không thể làm việc chính xác nếu không cung cấp một đối sánh ban đầu (mà thông thường được người dùng cung cấp) và một tập tiêu biểu các nguồn dữ liệu, điều này giới hạn đáng

kể việc ứng dụng của các phương pháp này Do các tiếp cận trên cơ sở học dựa cơ bản trên các nguồn dữ liệu và trên các ánh xạ giữa các nút lá của hai cây, chúng không khai thác được các cấu trúc phân cấp thực sự, là vấn đề căn bản của dữ liệu có cấu trúc Cuối cùng, nhiều tiếp cận trên cơ sở học chỉ sử dụng một người học đơn, và do đó mức chính xác và khả năng ứng dụng bị hạn chế [6], [21]

1.2.3 Các phương pháp đối sánh lược đồ

Dù sử dụng các tiếp cận trên cơ sở luật hay trên cơ sở học, tất cả các công cụ đối sánh đều khai thác tên phần tử, kiểu dữ liệu, các ràng buộc và định nghĩa cấu trúc Trên cơ sở xem xét các dự án đã thực hiện và các khảo sát về vấn đề đối sánh lược đồ [17] ta có thể phân chia các phương pháp đối sánh lược đồ thành ba loại: đối sánh ngôn ngữ, đối sánh trên cơ sở ràng buộc

và đối sánh cấu trúc Các công cụ đối sánh lược đồ thường kết hợp các phương pháp này để thực hiện quá trình đối sánh

1.2.3.1 Đối sánh ngôn ngữ Đối sánh ngôn ngữ về cơ bản dựa trên tên các thành phần lược đồ để tìm kiếm đối sánh giữa các lược đồ Để làm việc, đối sánh ngôn ngữ thường yêu

cầu sử dụng tên mô tả Sự tương đồng của tên được đo theo nhiều cách khác

nhau như đo sự bằng nhau của tên, sự bằng nhau của biểu diễn tên hợp quy

tắc sau khi phân luồng và các xử lý khác, sự tương đồng của tên dựa trên các

dãy con chung, khoảng cách soạn thảo…, hay còn gọi là so sánh cú pháp Đối

sánh tên dựa trên cú pháp chỉ tính toán độ tương đồng dựa trên các xâu biểu

diễn tên Nhiều thuật toán so sánh xâu đã được phát triển trong các lĩnh vực

khác nhau như sửa lỗi chính tả, thu thập văn bản, v.v Đối với vấn đề đối

sánh lược đồ, đã có nhiều thuật toán dạng này được áp dụng, chẳng hạn như

EditDistance, N-Gram, SoundEx, v.v EditDistance là phương pháp tính độ

tương đồng của hai xâu từ số lần thực hiện các thao tác xóa, thêm, thay thế ký

tự cần thiết để chuyển một xâu này thành xâu kia N-Gram là phương pháp so

sánh xâu theo tập n-gram của nó, ví dụ xâu doc và document tương tự nhau

theo tập tri-gram vì tập {doc} và tập {doc,ocu,cum,ume,men,ent} chia sẻ

phần tử “doc” Còn SoundEx là phương pháp tính độ tương đồng âm thanh

giữa các tên tương ứng với mã SoundEx Phương pháp này tỏ ra khá hiệu quả

cho các từ được viết khác nhau nhưng có khả năng giống nhau, ví dụ

document và documentation Sự tương đồng của tên cũng có thể được tính

toán dựa trên các quan hệ đồng nghĩa, trái nghĩa, tổng quát, bộ phận… giữa

các từ, hay còn gọi là so sánh ngữ nghĩa Các quan hệ này thu được bằng cách

sử dụng từ điển nói chung và các từ điển chuyên ngành nói riêng

Việc sử dụng phương pháp đối sánh ngôn ngữ có thể đưa đến những đối

sánh không chính xác về mặt ngữ nghĩa Ví dụ hai phần tử cùng tên có thể

biểu diễn các khái niệm hoàn toàn khác nhau hoặc ngược lại, hai phần tử có

tên không giống nhau song lại có thể biểu diễn ngữ nghĩa tương đồng Hơn

nữa đối sánh ngôn ngữ còn phải đối phó với các trường hợp đặc biệt như sử

dụng chữ viết tắt, chữ rút gọn (là từ gồm những chữ cái đầu của các từ), tên

có giới từ hay mạo từ, v.v Tuy còn tồn tại các vấn đề trên, đối sánh ngôn ngữ

lại khá dễ thực hiện và có thể cho một ánh xạ ban đầu, sau đó ta có thể xác nhận hoặc hủy bỏ bằng các phương pháp đối sánh khác

1.2.3.2 Đối sánh dựa trên ràng buộc Các ràng buộc lược đồ (nếu chúng là các tập thích đáng) có thể cho một dấu hiệu đáng quan tâm về cách đối sánh các phần tử lược đồ và do đó giảm nhẹ số lượng các ứng viên đối sánh (thu được từ phương pháp đối sánh ngôn ngữ) Các ràng buộc lược đồ bao gồm kiểu dữ liệu, phạm vi giá trị, các ràng buộc đơn nhất và toàn vẹn, v.v Như ta biết, các khuyến nghị lược đồ thường cung cấp một tập các kiểu dữ liệu nguyên gốc, do vậy việc phân tích các kiểu

dữ liệu này có thể cung cấp cho ta các ứng viên đối sánh Một ví dụ về hệ thống sử dụng tính tương thích kiểu dữ liệu là Cupid [11] Việc so sánh phạm

vi giá trị số và/hoặc mẫu ký tự cũng có thể có ích trong việc suy ra các ứng viên đối sánh này, ví dụ chúng có thể cho phép nhận biết số điện thoại, mã bưu điện và địa chỉ Vấn đề nảy sinh trong việc sử dụng kiểu dữ liệu là khi chúng không đủ rõ ràng (ví dụ một trường đã được khai báo như một số nguyên lại được khai báo như một xâu)

1.2.3.3 Đối sánh cấu trúc Thông tin cấu trúc (đặc biệt là các cấu trúc phân cấp) là rất có ích trong việc xem xét tính tương đồng về ngữ nghĩa của các phần tử lược đồ Độ tương đồng cấu trúc là một phép đo độ tương đồng của ngữ cảnh mà trong đó các phần tử xuất hiện Trong khi rất nhiều tài liệu, công trình nghiên cứu đề cập đến đối sánh ngôn ngữ và đối sánh dựa trên ràng buộc và hầu hết đều áp dụng được cho DTD và lược đồ XML, cho đến nay rất ít nghiên cứu quan tâm đến cấu trúc của XML trong các phương pháp đối sánh lược đồ của chúng Lí do

cơ bản là hầu hết các hệ thống đối sánh lược đồ được phát triển trong lĩnh vực CSDL và do đó về cơ bản chỉ đối phó với các lược đồ quan hệ Ngược lại với

dữ liệu XML, CSDL quan hệ có rất ít dữ liệu cấu trúc Hầu hết công việc

20trong đối sánh cấu trúc lược đồ quan hệ được thực hiện theo các khóa ngoại

để tìm kiếm quan hệ giữa các dữ liệu

Một số dự án gần đây bắt đầu quan tâm đến cách khai thác cấu trúc XML

trong quá trình đối sánh Hệ thống Xyleme [4] tính toán độ tương đồng cấu

trúc giữa hai phiên bản của cùng một tài liệu XML trên cơ sở các quan hệ tổ

tiên và con cháu giữa các nút Xyleme là một công cụ phát hiện các thay đổi

phiên bản giữa các tài liệu XML, điều này nghĩa là các tài liệu nguồn và đích

có độ tương đồng cao, là một giả thiết không có giá trị lắm trong đối sánh

lược đồ

1.3 Các hệ thống đối sánh lược đồ XML

Gần đây đã có nhiều tiếp cận khác nhau về vấn đề đối sánh lược đồ được

đưa ra trong các lĩnh vực ứng dụng khác nhau, chẳng hạn như chuyển đổi tự

động tài liệu có cấu trúc Các tác giả trong [9] đề xuất một tiếp cận trực tiếp

cú pháp cho việc tự động hóa các chuyển đổi cấu trúc giữa hai văn phạm trên

cơ sở các bộ chuyển đổi phi trạng thái hữu hạn Ý tưởng ở đây là tạo một

chuyển đổi bán tự động nếu người dùng định nghĩa một đối sánh giữa các

phần tử chứa văn bản tài liệu (tức là các lá) Tiếp cận này gặp phải một số hạn

chế: đầu tiên nó chỉ làm việc nếu hai văn phạm có phần chung, làm hạn chế

phạm vi của các chuyển đổi trong các chuyển đổi cục bộ Hơn nữa, tiếp cận

này không có khả năng giải quyết tất cả sự không đồng nhất có thể xảy ra

giữa các tài liệu có cấu trúc, chẳng hạn một kiểu phần tử cấu trúc trong tài

liệu nguồn sẽ được chuyển đổi thành cùng kiểu phần tử trong tài liệu đích Ví

dụ, một danh sách các nút thay thế trong tài liệu nguồn chỉ có thể được

chuyển đổi thành một danh sách bao gồm cùng số lượng các phần tử lặp lại

Bên cạnh các nghiên cứu trong lĩnh vực tài liệu, các nghiên cứu trong

lĩnh vực CSDL và TTNT đã xem xét một cách rộng hơn vấn đề đối sánh lược

21

đồ trong nhiều lĩnh vực ứng dụng khác nhau Với sự phát triển của XML, nhiều thuật toán đối sánh đã xem xét cấu trúc phân cấp của XML Sau đây chúng tôi sẽ xem xét một số giải thuật và hệ thống đối sánh lược đồ điển hình

1.3.1 Cupid (trung tâm nghiên cứu Microsoft)

Cupid là một bộ đối sánh lai kết hợp một vài phương pháp đối sánh [11] Đây là một bộ đối sánh được phát triển với mục đích áp dụng cho các mô hình dữ liệu tổng quát và đã được áp dụng cho các nguồn dữ liệu XML và quan hệ Tiến trình đối sánh có ba pha:

* Pha đầu tiên là đối sánh ngôn ngữ Trước hết tên phần tử được phân

tích thành các token dựa trên các dấu phân tách và được mở rộng để nhận dạng các chữ viết tắt (abbreviation) hoặc chữ rút gọn (acronym) sử dụng một

từ điển đồng nghĩa cho cả ngôn ngữ chung và các tham khảo riêng lĩnh vực Sau đó Cupid sẽ phân cụm các phần tử lược đồ thành các danh mục dựa trên kiểu dữ liệu và nội dung ngôn ngữ để giảm bớt số lượng phép so sánh một-một giữa các phần tử lược đồ (chỉ các phần tử thuộc về các danh mục giống nhau trong hai lược đồ mới được xem xét) Tiếp theo Cupid tính toán một hệ

số tương đồng ngôn ngữ giữa các cặp tương thích về kiểu dữ liệu và nội dung ngôn ngữ dựa trên việc đối sánh xâu con và một từ điển đồng nghĩa có các

quan hệ đồng nghĩa (synonymy) và bao nghĩa (hypernymy) Kết quả của pha

này là một bảng các hệ số tương đồng ngôn ngữ trong phạm vi [0, 1] giữa các phần tử trong hai lược đồ

* Pha thứ hai chuyển đổi các lược đồ nguyên thủy thành cây và sau đó thực hiện đối sánh cấu trúc từ dưới lên Giả thiết cơ bản trong pha đối sánh cấu trúc của Cupid là nhiều nội dung thông tin được biểu diễn trong các lá và các lá đó có ít sự thay đổi giữa các lược đồ và tiếp đó là cấu trúc trong Các phần tử trong hai cây đang được so sánh được duyệt theo thứ tự trước Độ tương đồng giữa các nút là dựa trên độ tương đồng ngôn ngữ và độ tương

đồng của các tập lá của chúng Nếu độ tương đồng vượt qua một ngưỡng thì

độ tương đồng tập lá của chúng được tăng lên, với lý lẽ là các lá với các tổ

tiên tương đồng cao sẽ xuất hiện trong các ngữ cảnh tương đồng Việc tính

toán độ tương đồng cấu trúc có một sự đệ quy lẫn nhau: hai phần tử là tương

đồng nếu các tập lá tương ứng của chúng là tương đồng, và sự tương đồng của

các lá lại bị tác động bởi độ tương đồng của các nút trung gian Pha này kết

thúc bằng việc tính toán trung bình có trọng số của độ tương đồng ngôn ngữ

và cấu trúc

* Pha thứ ba sẽ đưa ra ánh xạ cuối cùng giữa các phần tử lược đồ dựa

trên các hệ số thu được trong pha hai Pha này phụ thuộc nhiều vào ứng dụng

nên không được nhấn mạnh trong thuật toán

Cấu trúc lược đồ trong Cupid được sử dụng như là một ràng buộc đối

sánh, tức là cấu trúc của hai nút càng tương đồng thì hai nút càng tương đồng

Do điều này, Cupid phải đối mặt với những vấn đề như các khái niệm tương

đương xuất hiện trong các cấu trúc khác nhau hoàn toàn hay các khái niệm

độc lập hoàn toàn lại thuộc vào các cấu trúc đồng dạng Dù gặp phải các vấn

đề này, Cupid vẫn là thuật toán đối sánh đáng chú ý cho dữ liệu XML do đã

vượt ra ngoài biểu diễn cây cổ điển để điều quản các lược đồ XML (hay bất

kỳ đồ thị có gốc nào đó) với việc xem xét các kiểu chia sẻ và các ràng buộc

tham chiếu Ý tưởng ở đây là dựa trên việc chuyển đổi đồ thị có gốc thành cây

và điều này là vì hai lý do: sử dụng lại thuật toán đối sánh cấu trúc cho cây và

đối phó với các ánh xạ phụ thuộc ngữ cảnh Trong trường hợp các kiểu chia

sẻ, với mỗi phần tử Cupid thêm một nút cây lược đồ mà các nút kế tiếp nó là

các nút tương ứng với các phần tử có thể tiếp cận đến qua một số bất kỳ các

quan hệ IsTypeOf theo sau bởi một quan hệ chứa đơn Cây cũng được tăng

cường thêm các nút nhằm mô hình hóa các ràng buộc tham chiếu, là các ràng

buộc mà được thể hiện như là các khung nhìn kết nối tiềm tàng Với mỗi khóa

ngoại, một nút mới mà biểu diễn kết nối các phần tử participate (các bảng

trong các lược đồ quan hệ) được đưa ra Tuy có các mở rộng này, Cupid vẫn không khai thác các tính năng khác của lược đồ XML như nhóm thay thế, kiểu trừu tượng, v.v điều mà có thể cho ta các dấu hiệu có ý nghĩa trong việc giải quyết vấn đề đối sánh lược đồ XML

1.3.2 Similarity Flooding (đại học Stanford và đại học Leipzig)

Trong [12], các tác giả đưa ra một thuật toán đối sánh cấu trúc gọi là Similarity Flooding (SF) Thuật toán SF được thực thi như là một phần của một công cụ thao tác lược đồ tổng quát mà hỗ trợ, ngoài bộ đối sánh SF cấu trúc, một bộ đối sánh tên, các bộ chuyển đổi lược đồ và một số bộ lọc nhằm lựa chọn các ứng viên đối sánh tốt nhất từ danh sách các cặp ánh xạ đã xếp hạng được trả về từ thuật toán SF Tiến trình đối sánh bắt đầu bằng cách chuyển đổi hai lược đồ đầu vào thành biểu diễn đồ thị gán nhãn Sau đó bộ đối sánh tên được sử dụng để cung cấp một ánh xạ khởi đầu mà cung cấp cho

bộ đối sánh SF cấu trúc Cuối cùng, một số bộ lọc được áp dụng để chọn ra các ánh xạ thích đáng

Đối sánh cấu trúc SF dựa trên ý tưởng sau: đầu tiên các lược đồ được đối sánh sẽ được chuyển đổi thành các đồ thị gán nhãn có hướng; thứ hai việc tính toán điểm cố định lặp lại được sử dụng để xác định các ứng viên đối sánh

giữa các nút của đồ thị lược đồ Để tính toán độ tương đồng nút, SF dựa trên

trực giác rằng các nút của hai đồ thị phân biệt là tương đồng khi các nút gần

kề là tương đồng Đầu tiên một đồ thị lan truyền tương đồng được xây dựng,

đó là một cấu trúc dữ liệu phụ trợ dẫn xuất từ hai lược đồ đang được đối sánh, chẳng hạn là A và B Để thu được đồ thị lan truyền tương đồng, một đồ thị liên kết cặp được tính toán từ A và B Mỗi phần tử trong đồ thị liên kết là một

phần tử, gọi là cặp ánh xạ, từ A×B Hai cặp ánh xạ, ví dụ (a, b) và (a 1 , b 1)

được kết nối dựa trên trực giác rằng nếu a và b là tương đồng, thì có thể con

cháu trực tiếp của chúng a 1 và b 1 cũng tương đồng Đồ thị liên kết cặp đôi

được sử dụng để lan truyền độ tương đồng giữa các nút sử dụng một tiến trình

lặp lại, trong đó mọi sự lặp lại sự tương đồng của một cặp ánh xạ được gia

tăng bởi sự tương đồng của các láng giềng của nó Tiến trình lặp sẽ hội tụ sau

một số lớn nhất các bước lặp xác định

SF đã được áp dụng cho một số định dạng đầu vào khác nhau bao gồm

quan hệ, XML và RDF Thuật toán chỉ làm việc với các đồ thị gán nhãn có

hướng Điều đó làm giảm giá trị khi việc gán nhãn là đồng bộ hoặc không

trực tiếp Một giả thiết quan trọng trong thuật toán là sự gần kề đó có đóng

góp vào việc truyền sự tương đồng Do đó, thuật toán sẽ thực hiện không

được như mong đợi trong trường hợp thông tin gần kề không được duy trì

Như trong hệ thống LSD, chỉ có thông tin cấu trúc được sử dụng là quan hệ

cha mẹ – con cái, các thuộc tính và các quan hệ tổ tiên – cháu chắt bị bỏ qua

Hơn nữa, SF bỏ qua tất cả kiểu của các ràng buộc trong khi thực hiện đối sánh

cấu trúc Các ràng buộc như các ràng buộc kiểu và toàn vẹn được sử dụng vào

cuối tiến trình để lọc các cặp ánh xạ với sự trợ giúp của người dùng

1.3.3 LSD (đại học Washington)

Hệ thống LSD (Learning Source Description) [6] sử dụng các kỹ thuật

học máy để đối sánh một nguồn dữ liệu mới dựa vào một lược đồ tổng thể

định nghĩa trước đó LSD dựa trên sự kết hợp một vài kết quả đối sánh nhận

được từ những người học độc lập Những người học này được đào tạo trong

một pha tiền xử lý Với một ánh xạ ban đầu (thường do người dùng cung cấp)

giữa một nguồn dữ liệu đã cho và lược đồ tổng thể, pha tiền xử lý phân tích

các thể hiện từ nguồn dữ liệu đó để đào tạo những người học khác nhau và

khám phá các mẫu thể hiện đặc trưng và các luật đối sánh Các mẫu và luật

sau đó được sử dụng để đối sánh các nguồn dữ liệu mới với lược đồ tổng thể

Tất cả những người học cơ sở (người học tên, người học nội dung, v.v ) đều

25không thể điều quản được cấu trúc phân cấp của XML bởi vì chúng "trải

phẳng" tất cả cấu trúc trong mỗi thể hiện vào và chỉ sử dụng các từ trong thể hiện như là các token Để giải quyết vấn đề này, LSD đưa ra một người học

XML-riêng để giúp cải thiện các kết quả đối sánh của nó Nó cũng tương tự như người học Naive-Bayes bởi vì nó sử dụng tần số xuất hiện của từ để tìm

kiếm các đối sánh có thể, không chỉ xét tên phần tử như là các token mà còn xét các cạnh giữa các phần tử, do đó thao tác trên hai kiểu token: token nút và token cạnh Mỗi nút không gốc trên cây lập thành một token nút và mỗi nút với nút con của nó lập thành một token cạnh Cho dù điều này giúp cải thiện

kết quả, tiếp cận này gặp phải một số giới hạn do nó không khai thác đầy đủ cấu trúc XML Ví dụ, không có sự phân biệt giữa các phần tử và các thuộc tính (thuộc tính được xem như một phần của phần tử, bởi vậy chúng không được xét đến nữa) Hơn nữa, chỉ có một quan hệ cấu trúc được xét đến trong

hệ thống LSD là quan hệ cha mẹ – con cái, không đủ để mô tả ngữ cảnh của một phần tử, và giới hạn phạm vi của hệ thống trong các cấu trúc tương đồng

có cùng chiều sâu Nhiều thông tin cấu trúc phải được đưa vào trương mục như là quan hệ anh chị em, tổ tiên – con cháu, các ràng buộc toàn vẹn, v.v

1.3.4 Clio (IBM Almaden và đại học Toronto)

Trong [13] các tác giả đưa ra công cụ Clio nhằm ánh xạ giữa các lược đồ

quan hệ và XML, trong đó một ánh xạ mức cao được dịch thành các truy vấn

chuyển đổi dữ liệu nguồn thành thành biểu diễn đích Hệ thống Clio làm việc

theo hai pha Trong pha đầu, một ánh xạ mức cao (một tập các tương ứng thuộc tính-thuộc tính) được biến đổi thành một ánh xạ lôgic nắm giữ sự lựa chọn thiết kế lược đồ (ví dụ cấu trúc phân cấp trong trường hợp các lược đồ XML) Pha thứ hai dịch ánh xạ lôgic thành truy vấn có ý nghĩa mà đưa ra dữ liệu thỏa mãn các ràng buộc và cấu trúc của lược đồ đích

Ánh xạ mức cao có thể nhận được từ một bộ đối sánh ngôn ngữ so sánh

tên các phần tử Việc tính toán ánh xạ lôgic được thực hiện trong hai bước

Thứ nhất, ta liệt kê các đường dẫn truy cập lôgic tồn tại trong mỗi lược đồ

Các định nghĩa đường dẫn này về cơ bản dựa trên hai loại quan hệ: các định

nghĩa khóa và khóa ngoại và các quan hệ mẹ-con Để thực hiện điều này, ta

sử dụng phương pháp quan hệ cổ điển để tính toán tất cả các kết nối lồng

trong lược đồ, và do đó liệt kê tất cả các quan hệ lôgic trong các lược đồ này

Thứ hai, một thuật toán ánh xạ sẽ xem xét mỗi cặp quan hệ lôgic nguồn và

quan hệ lôgic đích, và tính toán cho mỗi cặp một phụ thuộc nguồn-đích Việc

tính toán phụ thuộc được định hướng bởi tất cả các tương ứng mà thích đáng

cho quan hệ lược đồ nguồn và quan hệ lược đồ đích đã cho Công cụ Clio có

hiệu quả trong việc khám phá tất cả các kiểu đối sánh, ngay cả các kết nối

phức hợp bao gồm các khóa, nhưng nó đòi hỏi nhiều sự can thiệp của người

dùng (mỗi khi một cặp đối sánh được phát hiện) Hơn nữa, chỉ có quan hệ

mẹ-con được sử dụng trong quá trình đối sánh, và không có chi tiết nào về việc sử

dụng các tính năng như là kiểu

1.3.5 Một số hệ thống đối sánh lược đồ khác

Cũng dựa vào khảo sát của Rahm và Bernstein cũng như một số khảo sát

khác (chẳng hạn như khảo sát của Shvaiko và Euzenat), sau đây chúng tôi mô

tả một số hệ thống đối sánh lược đồ khác Các hệ thống này đã và đang được

triển khai trong một số lĩnh vực khác nhau, do đó chúng cũng cho ta thấy một

cái nhìn tổng quan về phạm vi áp dụng của đối sánh lược đồ

* COMA: COMA là một công cụ đối sánh lược đồ theo phương pháp kết

hợp COMA cung cấp một thư viện mở rộng các thuật toán đối sánh, một

khung làm việc để kết hợp các kết quả đối sánh khác nhau và đánh giá hiệu

quả của các phương pháp đó Hầu hết các bộ đối sánh này đều sử dụng

phương pháp đối sánh xâu, một số khác thì sử dụng các kỹ thuật như Cupid

* SemInt: SemInt là hệ thống đối sánh lược đồ dựa trên dữ liệu Nó bao

gồm 15 tiêu chuẩn dựa trên ràng buộc và 5 tiêu chuẩn dựa trên nội dung được hình thành từ các bản ghi dữ liệu và được chuẩn hóa trong khoảng [0,1], mỗi thuộc tính là một điểm trong không gian 20 chiều Hệ thống cho phép tạo ánh

xạ giữa các phần tử độc lập sử dụng mạng nơ-ron nhưng không hỗ trợ đối sánh ngôn ngữ và đối sánh đồ thị

* SKAT: SKAT thực hiện đối sánh dựa trên lược đồ sử dụng luật Luật là

các biểu thức trong logic vị từ để thể hiện các quan hệ tương đương, không tương đương và các hàm được định nghĩa để sinh ra các luật đối sánh mới SKAT được sử dụng trong kiến trúc ONION, một kiến trúc được phát triển

cho lĩnh vực tích hợp ontology Trong ONION, các ontology được chuyển

thành mô hình CSDL hướng đối tượng dựa trên đồ thị

* TransScm: TransScm sử dụng phương pháp đối sánh dựa trên lược dồ

để thực hiện việc chuyển đổi dữ liệu Lược đồ được biểu diễn dưới dạng đồ thị Tập luật được xây dựng bởi người quản trị được áp dụng vào các nút của

đồ thị Quá trình đối sánh được thực hiện theo mô hình trên xuống với quy luật là các nút cha mẹ sẽ cần kết quả đối sánh của các nút con cái

* DIKE: hệ thống DIKE tích hợp nhiều lược đồ quan hệ bằng cách khai

thác yếu tố tương tự giữa hai phần tử của lược đồ phụ thuộc vào sự tương tự của các phần tử lân cận Đối sánh lược đồ là bước cơ bản trong hệ thống này Ngoài các hệ thống trên, còn một số hệ thống khác nữa như ARTEMIS

& MOMIS, Delta (MITRE), Tess, S-Match, OLA, NOM, QOM, PROMPT, v.v Các hệ thống này đều dựa trên đối sánh lược đồ và đã đưa ra nhiều phương pháp đối sánh khác nhau, nhưng nhìn chung hầu hết các phương pháp này đều có thể quy về một trong các tiếp cận ta đã xem xét ở phần trên Chi tiết hơn về các hệ thống này có thể xem khảo sát của Rahm và Bernstein cũng như khảo sát của Shvaiko và Euzenat

1.4 Kết chương

Như đã phân tích ở trên, các thuật toán đối sánh lược đồ khác nhau đã bắt

đầu quan tâm đến cấu trúc XML.Trong khi các phương pháp đối sánh ngôn

ngữ và đối sánh dựa trên ràng buộc đã được phát triển rộng rãi và có khả năng

áp dụng cho lược đồ XML, các phương pháp đối sánh cấu trúc đã đề xuất vẫn

còn không hiệu quả và có nhiều hạn chế (chỉ làm việc với DTD và chỉ khai

thác các quan hệ cha mẹ - con cái) Như ta thấy, từ tổ chức cấu trúc trong tài

liệu XML ta có thể suy ra được một số ngữ nghĩa của dữ liệu, do vậy các tiếp

cận đối sánh lược đồ XML nên khai thác thông tin này nhằm làm tăng độ

chính xác đối sánh Thách thức cơ bản đặt ra ở đây là nhận biết các tính năng

cấu trúc hữu ích cho việc giải quyết vấn đề đối sánh lược đồ XML

Bằng cách phân tích các thuật toán đối sánh lược đồ hiện hành, ta thấy

rằng các tiếp cận này thường mô tả không đủ rõ ràng và chính xác các định

nghĩa hình thức cho vấn đề mà chúng giải quyết và các giả thiết đặt ra trong

các tiếp cận đó Chẳng hạn các tiếp cận này chưa mô tả rõ ràng thông tin đầu

vào và đầu ra cho tiến trình đối sánh cũng như các giả thiết làm tiền đề cho

tiến trình đối sánh Các hạn chế này làm cho việc mở rộng các nghiên cứu này

tỏ ra khóa khăn hơn Nhằm giải quyết vấn đề này, trong chương tiếp theo,

chúng tôi sẽ mô tả các định nghĩa hình thức đầy đủ hơn cho vấn đề đối sánh

có, việc đưa ra các định nghĩa hình thức đầy đủ cho vấn đề là điều cực kỳ cần thiết Tuy vậy, việc đưa ra các định nghĩa hoàn chỉnh thường đòi hỏi phải có những nghiên cứu tương đối chín muồi, nhưng trong thời điểm hiện nay, đây vẫn còn là một vấn đề khá mới mẻ

Trong luận văn này chúng tôi quan tâm đến vấn đề đối sánh lược đồ XML Với mục đích phát triển một giải pháp nhằm tự động hóa tiến trình đối sánh lược đồ XML, chúng tôi cố gắng tổng hợp lại các nghiên cứu liên quan, dựa trên các định nghĩa đã có, không những trong vấn đề đối sánh lược đồ

mà cả trong các lĩnh vực tương tự để đưa ra các định nghĩa hình thức cơ bản nhất cho vấn đề này Các khía cạnh mà chúng tôi sẽ xem xét trong chương này là vấn đề đối sánh ngữ nghĩa lược đồ, mô hình dữ liệu biểu diễn lược đồ XML và cuối cùng là các phép toán chuyển đổi dữ liệu

2.1 Vấn đề đối sánh lược đồ XML

2.1.1 Đối sánh ngữ nghĩa và đối sánh cú pháp

Như đã đề cập trong chương trước, đối sánh lược đồ thường được định

nghĩa là quá trình tìm kiếm sự tương đồng giữa các lược đồ dựa trên ngữ

nghĩa của chúng Do đó đối sánh lược đồ thường được xem như là đối sánh

lược đồ ngữ nghĩa và hai thuật ngữ này thường được dùng thay thế lẫn nhau

mà không ai định nghĩa chính xác thế nào là ngữ nghĩa Trong chương sau,

trong khi xem xét vấn đề đối sánh tự động lược đồ XML, chúng tôi sẽ xem

xét cụ thể hơn ý nghĩa của thuật ngữ này

Hiện nay chỉ mới có một nghiên cứu đưa ra các định nghĩa hình thức cho

vấn đề đối sánh lược đồ [11] và một nghiên cứu đưa ra những định nghĩa hạn

chế hơn [6] Dựa trên những nghiên cứu đó và trên cơ sở các định nghĩa hình

thức trong một số lĩnh vực khác (tích hợp dữ liệu, chuyển đổi dữ liệu, xử lý

truy vấn ngữ nghĩa, đối sánh & tích hợp ontology, v.v xem khảo sát của

Rahm và Bernstein [17]), chẳng hạn như những định nghĩa đã được đưa ra

trong [5] hay [20], trong phần tiếp theo, chúng tôi sẽ trình bày một định nghĩa

hình thức đầy đủ hơn cho vấn đề này Như ta thấy, hầu hết những nghiên cứu

về đối sánh lược đồ đều đặt giả thiết là người dùng có thể quyết định một lược

đồ đã cho là chính xác hay không Điều này đòi hỏi người dùng phải hiểu ý

nghĩa của nội dung lược đồ Trong thực tế, các khái niệm nói chung và các

quan hệ ngữ nghĩa giữa chúng chỉ tồn tại trong ý nghĩ người dùng và không

cụ thể (trừu tượng) Trong khi đó lược đồ cú pháp lại tồn tại ở dạng hình thức,

tức là dựa trên cơ sở biểu diễn cụ thể của một tập các khái niệm ngữ nghĩa và

các quan hệ giữa chúng (ví dụ về lược đồ cú pháp là lược đồ quan hệ, lược đồ

hướng đối tượng, lược đồ XML, v.v ) Đối sánh ngữ nghĩa là quá trình người

dùng xem xét xem hai (hay nhiều hơn) khái niệm ngữ nghĩa là tương đồng

như thế nào trên cơ sở một số hàm tương đồng chủ quan

Khi phân tích sự tương đồng giữa hai phần tử cú pháp cụ thể a và b, đầu

tiên người dùng thường ánh xạ chúng thành các khái niệm ngữ nghĩa trong ý

nghĩ α và β (đây là quá trình hiểu biết về các lược đồ cú pháp) sau đó thực hiện đối sánh ngữ nghĩa, tức là suy ra sự tương đồng giữa a và b trên cơ sở sự tương đồng của α và β Khi phát hiện tự động sự tương đồng giữa hai lược đồ

cú pháp, công cụ đối sánh không quan tâm đến hiểu biết của người dùng mà

chỉ quan tâm đến các dấu hiệu về cú pháp trong các lược đồ cú pháp và dữ

liệu Do đó trong việc giải quyết vấn đề đối sánh lược đồ tự động, giải pháp

đề xuất phải tiệm cận đến sự tương đồng ngữ nghĩa một cách tối đa bằng cách

sử dụng các dấu hiệu cú pháp, từ đó ta có giả thiết sau:

Giả thiết 1: Các dấu hiệu cú pháp của hai lược đồ càng tương đồng, ngữ

nghĩa của hai lược đồ càng tương đồng

Hiện nay, đã có một số nghiên cứu quan tâm đến việc thiết kế các lược

đồ XML sao cho phản ánh được hiểu biết của người dùng Các tác giả trong [18] đã đề nghị giải pháp mô hình hóa (về mặt khái niệm) các lược đồ XML

trên cơ sở ngôn ngữ mô hình hóa hợp nhất (Unified Modeling Language - UML) Một phần cơ bản của UML tĩnh đã được sử dụng để thiết kế các lược

đồ XML Một tiếp cận khác đó là sử dụng phương pháp hướng đối tượng để thiết kế một cách khái niệm các lược đồ XML [21] Tiếp cận này đưa ra các lược đồ XML mà mỗi phần tử lược đồ biểu diễn một thực thể ngữ nghĩa và mỗi quan hệ lược đồ biểu diễn một quan hệ ngữ nghĩa Một đường dẫn trong cây XML cũng biểu diễn một quan hệ ngữ nghĩa hỗn hợp Do vậy, lược đồ XML phản ánh được hiểu biết của người thiết kế lược đồ Tuy các phương pháp này cung cấp cơ sở mô hình hóa để thiết kế các lược đồ XML nhưng chúng không chỉ ra các thuộc tính và các ràng buộc thêm vào (chẳng hạn như các kiểu dữ liệu hay các ứng viên) được gán cho các phần tử lược đồ như thế nào Vấn đề này phụ thuộc vào kinh nghiệm thực tế của người thiết kế Sự

32không đồng nhất giữa các lược đồ phản ánh hai vấn đề: thứ nhất là sự hiểu

biết khác nhau của người thiết kế lược đồ và thứ hai là sự khác biệt trong việc

mô hình hóa và ràng buộc (về mặt khái niệm) các thực thể giống nhau Như

vậy để so sánh được hai lược đồ XML ta cần làm rõ cả hai vấn đề trên

Trong luận văn này chúng tôi mô hình hóa lược đồ XML dưới dạng đồ

thị gán nhãn có hướng, gọi là đồ thị lược đồ (xem mục 2.3.2) trong đó các nút

và cạnh phản ánh hiểu biết của người thiết kế lược đồ, các ràng buộc trên các

nút và cạnh phản ánh các ràng buộc mà người thiết kế lược đồ đặt ra Mô hình

này có hai lợi ích chính: thứ nhất là thể hiện rõ các tính năng lược đồ XML sử

dụng trong tiến trình đối sánh, thứ hai là chuẩn hóa các ngôn ngữ lược đồ

XML để đồng nhất hóa các biểu diễn, do vậy ta không cần quan tâm đến các

khác biệt về mặt cú pháp nữa

2.1.2 Thông tin đầu vào của tiến trình đối sánh

Để tự động hóa được vấn đề đối sánh ngữ nghĩa, đầu tiên ta cần chỉ ra

chính xác kiểu thông tin đầu vào và đầu ra Nhìn chung thông tin đầu vào có

thể là bất kỳ tri thức nào về lược đồ được đối sánh, các thể hiện và các miền

của chúng Trong mục này, ta sẽ mô tả các loại thông tin đầu vào sau:

- Thông tin lược đồ: đề cập đến các khởi dựng cú pháp như các phần tử,

tên, tổ chức cấu trúc của chúng, quan hệ giữa các phần tử, các ràng buộc lược

đồ, v.v Như đã đề cập trong chương 1, hiện nay rất ít các thuật toán đối sánh

lược đồ XML (mà có quan tâm đến đối sánh cấu trúc) khai thác tất cả các tính

năng lược đồ XML Khái niệm đồ thị lược đồ (mô tả trong phần sau) sẽ khắc

phục được vấn đề này

- Thể hiện dữ liệu: Thông thường chỉ có giải pháp đối sánh trên cơ sở

học quan tâm đến việc phân tích nội dung của các thể hiện dữ liệu Như đã chỉ

ra trong chương 2, giải pháp đối sánh trên cơ sở luật (phân tích lược đồ để

33thực hiện đối sánh) có thể được bổ sung bằng cách phân tích nội dung thể hiện dữ liệu, khi nó có sẵn Tuy vậy, trong vấn đề sử dụng lại nội dung, tập các thể hiện dữ liệu có thể không tồn tại sẵn do đó ta sẽ không khai thác thông tin này

- Phản hồi người dùng: Như ta thấy, tiến trình đối sánh không thể tự

động hóa được hoàn toàn, do vậy luôn phải có sự can thiệp của người dùng Trong hầu hết các thuật toán hiện hành, đầu vào người dùng thường được yêu cầu trước khi đối sánh (để cung cấp một đối sánh ban đầu) hoặc sau khi đối sánh (để xác nhận đầu ra đối sánh) Mục đích của ta là gắn lược đồ đích với

dữ liệu nguồn như người dùng mong muốn Do đó ta có thể giả thiết rằng người dùng biết những gì họ muốn trong thể hiện đích và có thể quyết định một đối sánh là chính xác hay không Hơn nữa, họ có thể quyết định một số vấn đề, chẳng hạn nếu thấy một kết quả có khả năng mất mát thông tin từ nguồn thì đích phải được thay đổi

Giả thiết 2: Người dùng biết chính xác các chi tiết lược đồ đích và có thể

quyết định được một ánh xạ có chính xác hay không để đưa ra một phép toán chuyển đổi mong muốn Bên cạnh đó, người dùng có thể hủy bỏ dữ liệu hoặc thay đổi và điều chỉnh lược đồ đích

- Thông tin phụ trợ: Một số thuật toán đối sánh dựa trên việc sử dụng từ

điển đồng nghĩa và các từ điển nói chung để thực hiện đối sánh thuật ngữ

Trong luận văn này chúng tôi sử dụng thông tin phụ trợ từ WordNet, một

CSDL từ vựng điện tử tiếng Anh trong đó các quan hệ (chẳng hạn như tính đồng âm) được liên kết sẵn với ý nghĩa của từ [14] Mặc dù định hướng phát triển của đề tài là áp dụng bài toán đối sánh lược đồ cho tiếng Việt, nhưng

trong luận văn này tạm thời chúng tôi chỉ xét tiếng Anh và sử dụng WordNet tiếng Anh Trong tương lai khi hệ thống WordNet tiếng Việt đã được xây

dựng hoàn chỉnh (hiện nay đã có một số nghiên cứu được triển khai nhằm xây

dựng một hệ thống WordNet tiếng Việt, chẳng hạn như nghiên cứu của nhóm

tác giả Đinh Điền, Nguyễn Văn Toàn tại trường ĐHBK TP.HCM) việc áp

dụng các giải pháp này cho tiếng Việt là hoàn toàn khả thi Mặc dù có thể sử

dụng các từ điển chuyên đề khác (ví dụ các từ không thuộc WordNet), ta sẽ

không xem xét vấn đề này do chỉ quan tâm đến cách khai thác một từ điển đã

cho vì mục đích đối sánh lược đồ chứ không phải là đề xuất các từ điển riêng

Có thể sử dụng các nghiên cứu về từ điển chuyên đề để mở rộng vấn đề này

- Tiêu chuẩn đối sánh: Trong mục 2.1.1, chúng tôi đã chỉ ra rằng thành

phần chính để đối sánh tự động lược đồ ngữ nghĩa là hàm tương đồng (còn

gọi là tiêu chuẩn đối sánh) Hầu hết các thuật toán đối sánh lược đồ đều dựa

trên việc kết hợp nhiều dấu hiệu (ở đây chúng tôi tạm dịch từ clue hay

heuristic) khác nhau Một ví dụ về dấu hiệu là: "các phần tử có cùng tên hoặc

cùng nghĩa thì thích hợp hơn cho sự tương đồng ngữ nghĩa" Việc lựa chọn

các dấu hiệu này sẽ ảnh hưởng đến chất lượng của tiến trình đối sánh Ta cần

hiểu rõ các hàm dấu hiệu được sử dụng để chỉ ra tham số, đầu ra của chúng và

cách kết hợp chúng để cung cấp ánh xạ cuối cùng

2.1.3 Thông tin đầu ra của tiến trình đối sánh

Hầu hết các hệ thống đối sánh lược đồ hiện hành đều cung cấp các ánh

xạ với độ tin cậy (còn gọi là hệ số tương đồng) trong phạm vi [0, 1] Mục đích

của ta là không chỉ cung cấp một thuật toán đối sánh cho các lược đồ XML

mà còn phải tạo ra ánh xạ giữa các phần tử tương đồng cũng như các hàm

chuyển đổi dữ liệu Một ví dụ cho ánh xạ này là (address, location, 0.8,

rename), trong đó phần tử address đối sánh với phần tử location với độ tin

cậy 0.8 Còn để chuyển đổi một thể hiện của phần tử address (trên lược đồ

nguồn) thành một thể hiện của phần tử location (trên lược đồ đích), ta chỉ cần

đổi tên phần tử address thành location Ngoài các ánh xạ một-một, ta cũng

cần phát hiện được các ánh xạ phức hợp, chẳng hạn như ({FirstName,

LastName}, name, 0.8, concat) cho phép ghép các phần tử nguồn FirstName

và LastName để đối sánh với phần tử đích name với độ tin cậy 0.8 Ta cũng

cần định nghĩa tập các phép toán trên các phần tử lược đồ nguồn cho phép tạo

tự động các hàm chuyển đổi

Trong trường hợp có nhiều kết quả đối sánh, ta cần đưa ra một danh sách các ánh xạ tốt nhất Các kết quả ánh xạ phải được xếp thứ tự theo độ tin cậy của chúng Nếu số lượng ánh xạ nhỏ, người dùng có thể dễ dàng lựa chọn ánh

xạ đúng trong danh sách này Phương pháp này đã được sử dụng trong hệ thống LSD Ở đó các tác giả đã chỉ ra rằng, bằng cách trả về một danh sách nhỏ thay vì ánh xạ đơn, mức chính xác của giải pháp sẽ tăng lên mà không làm mất nhiều công sức người dùng Cuối cùng, kết quả ánh xạ cần được cấu trúc hóa theo cách nào đó để sự xác nhận của người dùng và sự thích nghi của

nó (ví dụ khi lược đồ tiến hóa) là dễ dàng Trong trường hợp này, ta sẽ không lặp lại tiến trình đối sánh mà chỉ cần cập nhật các ánh xạ giữa các phần tử thay đổi trong các lược đồ nguồn và đích

2.1.4 Các định nghĩa hình thức

Ở mục trên ta đã xem xét định nghĩa phi hình thức của vấn đề đối sánh lược đồ XML và các yêu cầu đối với một giải pháp khả thi cho vấn đề này Trong mục này ta sẽ cung cấp các định nghĩa hình thức cho vấn đề đối sánh lược đồ XML Đầu tiên ta xét một số định nghĩa cơ sở:

Định nghĩa 2.1: (Đối sánh ngữ nghĩa) Cho một biểu diễn ý thức của tập vũ

trụ U, và một hàm tương đồng ngữ nghĩa chủ quan trên các khái niệm của U, được biểu thị bởi S U, đối sánh ngữ nghĩa là tiến trình trong đó người dùng có

thể chỉ ra hai khởi dựng cú pháp a và b là tương đồng về mặt ngữ nghĩa dựa trên việc các ánh xạ tương ứng của chúng trong U tương đồng như thế nào trong S U

Định nghĩa 2.2: (Đối sánh ngữ nghĩa tự động) Đối sánh ngữ nghĩa tự động

là một tiến trình trong đó một hàm tương đồng cú pháp khách quan, gọi là

tiêu chuẩn đối sánh (áp dụng cho các lược đồ cú pháp) được sử dụng để xấp

xỉ đến mức có thể các kết quả của một đối sánh ngữ nghĩa người dùng trên cơ

sở giả thiết 1

Sau đây chúng tôi sẽ mô tả chi tiết mô hình lược đồ XML và đại số ánh

xạ nguồn–đích Tiêu chuẩn đối sánh và phương pháp kết hợp phản hồi người

dùng sẽ được mô tả trong chương 3

2.2 Mô hình hóa lược đồ XML

Như ta thấy, cho đến nay rất ít các thuật toán hiện hành về đối sánh lược

đồ XML (mà tập trung vào đối sánh cấu trúc) khai thác tất cả các tính năng

của lược đồ XML Trong phần này, chúng tôi đưa ra một mô hình dữ liệu trừu

tượng nhằm biểu diễn lược đồ XML cũng như các ngôn ngữ lược đồ khác ở

mức khái niệm, đó là đồ thị lược đồ - đồ thị gán nhãn có hướng với các tập

ràng buộc Đồ thị lược đồ bao gồm một dãy các nút liên kết với nhau qua các

cạnh gán nhãn có hướng Thêm vào đó, các ràng buộc có thể được định nghĩa

trên các nút và các cạnh Hình 2.1 minh họa một ví dụ về đồ thị lược đồ

Author Name

Name Library

c Abstract Editor

c

c

Book

Monograph h

a c[0 N]

37

2.2.1 Các nút đồ thị lược đồ

Ta phân chia các nút thành hai loại: nút nguyên tố và nút phức hợp Nút nguyên tố không có cạnh nào đi ra (xuất phát) từ chúng Chúng là các nút lá trong đồ thị lược đồ Nút phức hợp là các nút trong của đồ thị lược đồ Mỗi nút nguyên tố chứa một nội dung đơn, đó có thể là một giá trị nguyên tố trên

miền các kiểu dữ liệu cơ bản (ví dụ string, integer, date, v.v ) hoặc một giá trị dạng danh sách (list value) hoặc một giá trị hợp (union value) Nội dung

của nút phức hợp được gọi là nội dung phức hợp, nó tham chiếu đến một số

nút khác qua các cạnh gán nhãn có hướng Trong hình 2.1, các nút University

và Library là các nút phức hợp, trong khi đó các nút Name và Location là các

- Quan hệ chứa, được biểu thị bởi c, là một quan hệ hợp trong đó một nút

hợp ("toàn thể" – "whole") bao gồm một số nút thành phần ("bộ phận" –

"parts")

- Quan hệ thuộc tính, được biểu thị bởi p, cho biết thuộc tính phụ trợ của

một nút

- Quan hệ kết hợp, được biểu thị bởi a, là một quan hệ cấu trúc cho biết

cả hai nút là có cùng mức về mặt khái niệm Về bản chất các quan hệ kết hợp

mô hình hóa các khóa/khóa tham chiếu và thay thế cho các cơ chế nhóm Các quan hệ này thông thường là hai chiều Hai quan hệ kết hợp được trình bày

trong hình 2.1 Kết hợp thứ nhất giữa hai nút Book và Monograph nhằm mô

hình hóa việc thay thế quan hệ nhóm giữa hai nút Trong khi đó quan hệ kết

hợp thứ hai giữa Journal-ref và Journal chỉ ra một quan hệ khóa/khóa tham

chiếu Trong hình vẽ các cạnh kết hợp được mô tả dưới dạng các đường nét

đứt

2.2.3 Các ràng buộc đồ thị lược đồ

Các ràng buộc khác nhau có thể được chỉ rõ bằng ngôn ngữ lược đồ

XML Các ràng buộc này có thể được định nghĩa trên cả nút và cạnh Chúng

thể hiện các yêu cầu khác nhau về số yếu tố, miền, thứ tự, loại trừ, tính duy

nhất và toàn vẹn tham chiếu

2.2.3.1 Các ràng buộc trên một cạnh

Ràng buộc điển hình trên một cạnh là ràng buộc số yếu tố Ràng buộc số

yếu tố trên cạnh chứa chỉ ra số nút con cái đối với nút cha mẹ Các ràng buộc

số yếu tố điển hình là "một" ([1 1]), "một-hoặc-nhiều" ([1 N]),

"không-hoặc-một" ([0 1]) và "không-hoặc-nhiều" ([0 N]) Các ràng buộc số yếu tố cũng

có thể được chỉ ra với khoảng bất kỳ theo hình thức [minOccurs, maxOccurs]

Ràng buộc số lượng trên cạnh thuộc tính cho biết một thuộc tính là tùy chọn

hay bắt buộc cho một nút đã cho

Ví dụ mỗi University trong hình 2.1 phải có đúng một Name Do đó ràng

buộc số yếu tố là [1 1] trên liên kết “University Æ Name” Một University

cũng phải có một thuộc tính Location, được biểu thị bởi [1 1] trên cạnh

thuộc-tính-của “University Æ Location” tương ứng Đặc tả số yếu tố mặc

định trong hình 2.1 là [1 1]

2.2.3.2 Các ràng buộc trên một tập cạnh

Ta cũng phân biệt ba loại ràng buộc trên tập các cạnh:

- Ràng buộc thứ tự: về bản chất ràng buộc này được định nghĩa cho một

tập các quan hệ chứa Trong thực tế một nút "whole" có thể được kết hợp với

các nút "part" khác theo một thứ tự riêng biệt Lấy ví dụ nút phức hợp Article,

thì Title và Athour phải xuất hiện theo thứ tự này Ràng buộc này được sử dụng để mô hình hóa các cơ chế "sequence" của lược đồ XML Một tập các

nút cũng có thể xuất hiện theo thứ tự bất kỳ và mỗi nút giữa chúng có thể xuất

hiện chỉ một lần hoặc không lần nào cả, điều này mô hình hóa cơ chế "all"

của lược đồ XML

- Phân tách loại trừ: ràng buộc này trên tập các cạnh (các quan hệ) được

sử dụng để chỉ ra rằng mỗi thời điểm chỉ một trong các quan hệ duy nhất áp

dụng Điều này được sử dụng để mô hình hóa cơ chế "choice" của lược đồ

XML Ràng buộc phân tách loại trừ được áp dụng cho các cạnh chứa

- Ràng buộc tham chiếu: các lược đồ XML đưa ra khả năng mô tả các

ràng buộc toàn vẹn Đôi khi nội dung của một nút (hoặc một tập các nút) được liên kết với nội dung của một nút (hoặc một tập các nút) khác Ràng buộc tham chiếu trên một nút đòi hỏi phải có nội dung nút như nhau cho nút tham chiếu Ràng buộc tham chiếu được áp dụng cho các cạnh kết hợp và thông thường được mô hình hóa thông qua một vị từ nối Ví dụ, cạnh kết hợp giữa

Article và Journal với vị từ Article/JournalRef = Journal

2.2.3.3 Các ràng buộc trên một nút Các ràng buộc áp dụng cho một nút bao gồm:

- Ràng buộc đơn nhất: Khi một nút có thể xuất hiện một vài lần, ràng

buộc đơn nhất yêu cầu mỗi một xuất hiện này phải có nội dung nút duy nhất

- Ràng buộc miền: Ràng buộc miền thì rất rộng, nhưng về bản chất chúng

quan tâm đến nội dung của nút nguyên tố Chúng có thể hạn chế phạm vi hợp

lệ của các giá trị số theo các giá trị lớn nhất/nhỏ nhất, giới hạn chiều dài của các giá trị xâu hay ràng buộc các mẫu giá trị xâu Ví dụ chúng có thể chỉ ra

một nút nguyên tố hoặc nút phức hợp đã cho là có kiểu bất kỳ (“any type”)

hay không, nghĩa là không có ràng buộc nào về nội dung được gắn vào nó

2.2.4 Các định nghĩa hình thức

Định nghĩa 2.3 (Đồ thị lược đồ) Một đồ thị lược đồ G là một bộ-4 (N G , E G,

L abel , C onst), trong đó:

- N G là tập hữu hạn các nút không rỗng,

- E G là một tập hữu hạn các cạnh biểu diễn quan hệ giữa các nút,

- L abel là tập hữu hạn các nhãn biểu thị các quan hệ khác nhau giữa các

nút,

- C onst là tập các ràng buộc trên nút và cạnh

Định nghĩa 2.4 (Nút) Một nút n ∈N G là bộ-3 (n name , n category , n content) bao gồm

một tên nút n name kết hợp với một không gian tên, một thư mục nút n category cho

biết nút n là nguyên tố hay phức hợp và một nội dung nút n content chỉ rõ nội

dung đơn giản cho các nút đơn giản và nội dung phức hợp cho các nút phức

hợp Cho N A và N C lần lượt là tập các nút nguyên tố và các nút phức hợp, N A

và N C tạo thành một phân hoạch trên N G , tức là N A∩N C = ∅ và N A∪N C =

N G

Định nghĩa 2.5 (Cạnh) Một cạnh e ∈E G là bộ-3 (e label , e source , e target), bao

gồm một nhãn e label ∈L abel cho biết kiểu đường dẫn, nút nguồn của cạnh e source

∈NG và nút đích của cạnh e target ∈N G Ta phân biệt ba loại cạnh: cho E c , E p

và E a lần lượt là tập các cạnh chứa, cạnh thuộc-tính-của và cạnh kết hợp E c,

E p và E a tạo thành một phân hoạch trên E G , tức là Ec∩Ep∩Ea = ∅ và

Ec∪Ep∪Ea = E G

Định nghĩa 2.6 (Ràng buộc) Một ràng buộc c ∈C onst là bộ-4 (C name , C category ,

duy nhất, số yếu tố), C category là một danh mục ràng buộc (ràng buộc trên nút,

cơ sở các lược đồ XML hợp lệ đã có Dựa trên các khái niệm nút và cạnh, ta

đưa ra thêm các khái niệm đường dẫn, đường dẫn nguyên thủy như sau:

Định nghĩa 2.7 (Đường dẫn) Một đường dẫn từ một nút n 1 tới nút n k là một

dãy n 1 , n 2 , … , n k , trong đó n 1 , n 2 , … , n k ∈N G, và với bất kỳ hai nút liên tiếp

n i and n i+1 (1 ≤ i ≤ k-1), tồn tại một cạnh e i (l, n i , n i+1 ) ∈ E G – {E a} Một

đường dẫn chỉ bao gồm các cạnh chứa và cạnh thuộc-tính-của Ta gọi n 1 và n k

lần lượt là nút bắt đầu và nút kết thúc của đường dẫn Đường dẫn được xem là

đi qua nút n i (1 ≤ i ≤ k) Độ dài của đường dẫn là tổng số nút mà đường dẫn đi qua, tức là, k với đường dẫn P = (n 1 , n 2 , … , n k ), biểu thị như length(P)= k

Định nghĩa 2.8 (Đường dẫn nguyên thủy) Một đường dẫn từ nút n 1 tới nút

n k , là một đường dẫn nguyên thủy khi và chỉ khi nút bắt đầu n 1 không có cạnh vào (nghĩa là nút bắt đầu là gốc của đồ thị lược đồ)

Khái niệm đồ thị lược đồ được mô tả ở trên không bao gồm các tính năng như thừa kế kiểu và kiểu trừu tượng Các vấn đề này sẽ được xem xét trong chương 3 Chú ý rằng đồ thị lược đồ được xây dựng bằng cách mở rộng các kiểu chia sẻ trong lược đồ XML Dựa trên việc hình thức hóa đồ thị lược đồ,

ta đưa ra thêm một số định nghĩa về việc chuyển đổi khởi dựng nguồn thành khởi dựng đích (khái niệm khởi dựng ở đây nhằm nói đến nút và cạnh trong

đồ thị lược đồ) Một phần tử ánh xạ liên kết một khởi dựng từ S tới một khởi

dựng tương đồng ngữ nghĩa từ T (lần lượt là các đồ thị lược đồ nguồn và

đích) Mặc dù một nguồn có thể không có một khởi dựng tương ứng trực tiếp

tới một khởi dựng đích, các khởi dựng đích có thể được dẫn xuất từ các khởi

dựng nguồn bằng cách áp dụng một tập các phép toán đã định nghĩa trước Cơ

chế này có những điểm tương đồng với việc tạo khung nhìn ảo trong tích hợp

dữ liệu, ở đó một khung nhìn ảo trên nguồn phải đối sánh với một lược đồ

trung gian (ví dụ ghép nối của các phần tử nguồn FirstName và LastName

thành một phần tử ảo Name mà đối sánh với phần tử đích Name) Khung nhìn

ảo cũng áp dụng được cho cạnh (ví dụ hai cạnh Author→FirstName và

Author→LastName được hợp nhất với nhau thành một cạnh ảo

Author→Name đối sánh với cạnh Author→Name trong lược đồ đích) Dựa

trên các định nghĩa trong [20] cho vấn đề tạo khung nhìn ảo, ta có thể đưa ra

các định nghĩa hình thức ánh xạ giữa các lược đồ nguồn và đích như sau:

Định nghĩa 2.9 (Bảng ký tự lược đồ) Cho một lược đồ K (tuân theo hình

thức đồ thị lược đồ), ta gọi bảng ký tự lược đồ của K hay ΣK là hợp của các

nút và các cạnh trong đồ thị lược đồ của K: Σ K = N K ∪E K

Định nghĩa 2.10 (Khung nhìn ảo) Cho một lược đồ nguồn S và bảng ký tự

ΣS của nó, một khung nhìn ảo υ S trên S là một dẫn xuất từ bảng ký tự ΣS áp

dụng một tập các phép toán đã định nghĩa trước O ={o 1 ,…o n }

Định nghĩa 2.11 (Phần tử ánh xạ, ánh xạ trực tiếp, ánh xạ phức hợp) Cho

V S là tập các khung nhìn ảo có thể được xây dựng trên Σ S Một phần tử ánh xạ

là một hàm m st : Σ S∪VS → Σ T , nối kết một phần tử s trong Σ S∪VS tới một

phần tử t trong Σ T Một phần tử ánh xạ là một ánh xạ trực tiếp nếu nó nối kết

một phần tử trong Σ S (⊆V S ) tới một phần tử trong Σ T và là một ánh xạ phức

hợp nếu nó nối kết một phần tử ảo υ S ∈V S tới một phần tử đích trong Σ T qua

một biểu thức ánh xạ đã định nghĩa trên O

đưa ra ba phép toán trong đối sánh cây: delete, insert, relabel Kịch bản thao

tác "rẻ nhất" cho việc chuyển đổi cây nguồn thành một cây đích là kết hợp các phép toán này Tuy vậy, trong các tiếp cận này, nhãn của nút không quan trọng Phép toán gán lại nhãn được xem là “rẻ” hơn phép xóa theo sau là một phép toán chèn Trong thực tế, nhãn là tên tổng quát của thẻ XML mang thông tin ngữ nghĩa nên việc gán lại nhãn một nút thành một nút khác không liên quan về ngữ nghĩa có thể cho ra một kết quả không mong muốn trong đối sánh lược đồ XML

Dựa vào các nghiên cứu trên và xuất phát từ các phép toán cơ bản đã được mô tả trong đại số quan hệ chuẩn, ta có thể đưa ra các phép toán ánh xạ nguồn–đích áp dụng cho đối sánh lược đồ XML Sau đây chúng tôi sẽ xem

44xét những vấn đề cần phải giải quyết trong đối sánh lược đồ XML, từ đó mô

tả các phép toán này Các vấn đề mô tả ở đây về cơ bản dựa trên nghiên cứu

về đại số ánh xạ nguồn–đích đã được đưa ra trong [22]

● Người thiết kế lược đồ có thể mô tả các khái niệm tương tự về mặt ngữ

nghĩa bằng cách sử dụng các tên khác nhau Để giải quyết vấn đề này, ta cần

một phép toán đổi tên như sau:

Rename: t = rename(s), tạo ra một khởi dựng giống như s nhưng với một tên

khác là t Ví dụ: writer=rename (author) chỉ ra rằng một thể hiện nguồn

author được đổi tên thành thể hiện đích writer

● Với mỗi nút đích, có thể có một tập con thích hợp các giá trị mong đợi

hoặc một tập mẹ thích hợp các giá trị mong đợi trong nguồn Ví dụ ta hãy xét

một lược đồ 1 trong đó một Author có con là các nút Paper và Book mô tả

publication của nó Ngược lại, Author trong một lược đồ 2 đã cho có một nút

con là Publication Trong lược đồ 1, các nút Paper và Book là các tập con của

nội dung Publication trong lược đồ 2, và các quan hệ Author→Paper và

Author→Book đều là chi tiết hóa của quan hệ Author→Publication trong lược

đồ 2 Do đó, nếu lược đồ 2 là đích, ta có thể cần đến phép hợp các nội dung

của Paper và Book và các quan hệ Author→Paper và Author→Book Nếu

lược đồ 1 là đích, ta cần tìm kiếm một cách để lựa chọn nội dung của các

paper và các book và các quan hệ giữa author và các paper và author và book

từ các quan hệ giữa author và publication Để giải quyết vấn đề này, ta cần

hai phép toán hợp và chọn như sau:

Hợp: Union: t = union (s 1 , s 2 ), tạo ra một khởi dựng t mà nội dung của nó là

hợp của các giá trị s1 và các giá trị s2,

Chọn: Selection: t = select P (s) (trong đó P là một vị từ) tạo ra một khởi dựng

t mà nội dung của nó là một phần của nội dung của s mà thỏa mãn vị từ P

Nhập: Merge: t = merge (S 1 …S i ), tạo ra một khởi dựng t mà giá trị của nó thu được bằng cách nối các giá trị s 1 s i với nhau,

Tách: Split: (t 1 …t i ) = split criteria (s), trong đó t 1 t i thu được bằng cách phân

chia một khởi dựng s dựa vào tiêu chuẩn tách biệt Một ví dụ của tiêu chuẩn tách biệt này là khoảng trắng (“white space”) trong trường hợp các xâu

● Một khởi dựng đích có thể thu được bằng cách áp dụng một phép kết nối tự nhiên (như trong các lược đồ quan hệ) các khởi dựng nguồn Để giải

quyết vấn đề này, ta cần một phép toán nối như sau:

Nối: Join: t= join P (S 1 ,S 2 ), tạo ra khởi dựng đích t là kết nối tự nhiên của S 1 và

Áp dụng: Apply: t = apply f (s 1 …s i ) trong đó f là một hàm của các biến s 1 …s i

và trả về t, mà giá trị của nó tương ứng với f (s 1 …s i )

● Với mỗi trường hợp mà ta có một đối sánh một-một mà không có bất

kỳ sự thay đổi nào, ta cần một phép toán nối như sau:

Connect: t = connect(s), tạo ra khởi dựng t có cùng nội dung và nhãn như s

2.4 Kết chương

Việc đưa ra các định nghĩa hình thức cho vấn đề đối sánh lược đồ là một

bước quan trọng trong tiến trình đối sánh Điều này giúp người dùng đánh giá

và so sánh được khả năng ứng dụng của các giải pháp đối sánh Dựa trên việc

phân tích thông tin vào và ra cho một hệ thống đối sánh lược đồ XML, chúng

tôi đã mô tả các giả thiết cơ bản cho tiến trình đối sánh Tiếp theo, chúng tôi

đã mô tả các định nghĩa cho mô hình dữ liệu biểu diễn lược đồ XML, là đồ thị

gán nhãn có hướng và có gốc, hay còn gọi là đồ thị lược đồ

Ngoài việc tính toán độ tương đồng giữa các phần tử lược đồ, các giải

pháp đối sánh thường quan tâm đến việc phát hiện ánh xạ giữa các nút và

cạnh đối sánh cũng như các phép toán chuyển đổi nhằm mục đích truy lục dữ

liệu từ lược đồ nguồn Do đó trong chương này chúng tôi cũng đã mô tả các

phép toán ánh xạ nguồn–đích như đổi tên, nối và áp dụng nhằm tạo các ánh

xạ trực tiếp cũng như hợp, chọn, nhập và tách để tạo các ánh xạ phức hợp

Tuy vậy, công việc cơ bản trong bất cứ giải pháp đối sánh lược đồ nào

vẫn là việc tính toán độ tương đồng giữa các phần tử lược đồ, do vậy ta cần

phải chỉ ra các tiêu chuẩn đối sánh cũng như việc thực hiện chúng Bên cạnh

đó, do tiến trình đối sánh lược đồ là không thể tự động được hoàn toàn, nghĩa

là cần phải có sự xác nhận của người dùng, các giải pháp đối sánh lược đồ cần

phải kết hợp được phản hồi người dùng trong kết quả đối sánh Các vấn đề

này sẽ được trình bày trong chương tiếp theo

Chương 3

Đối sánh tự động lược đồ XML

Trong chương này đầu tiên chúng tôi mô tả các thuật toán đối sánh lược

đồ khác nhau và cách kết hợp chúng để thu được độ tương đồng giữa các thực thể lược đồ Vấn đề đặt ra ở đây là làm thế nào để sử dụng một cách tối

đa thông tin cấu trúc nhằm thu được các ánh xạ giữa các lược đồ XML nguồn

và đích Để thực hiện điều này, chúng tôi dựa vào các kết quả nghiên cứu trong nhiều lĩnh vực như tích hợp dữ liệu, chuyển đổi dữ liệu, trả lời truy vấn, v.v nhằm đưa ra phép đo độ tương đồng giữa các phần tử lược đồ một cách chính xác và hiệu quả nhất có thể Tiếp theo chúng tôi chỉ ra cách tạo ra các ánh xạ trực tiếp lẫn gián tiếp dựa trên các phép đo độ tương đồng này Cuối cùng, chúng tôi đánh giá giải pháp đã đưa ra dựa trên một tập dữ liệu thực tế được cung cấp trong [5] Quá trình đánh giá bao gồm hai phần: thứ nhất là đánh giá giải pháp theo các phép đo chất lượng đối sánh và thứ hai là so sánh giải pháp với hai hệ thống điển hình hiện này là Cupid và SF

Cuối cùng, để đưa ra một áp dụng cho giải pháp đã mô tả, trong phần cuối chương này chúng tôi sẽ xem xét vấn đề chuyển đổi tài liệu có cấu trúc, một trong những lĩnh vực ứng dụng điển hình của đối sánh lược đồ XML Ngoài việc tổng hợp lại các nghiên cứu liên quan về vấn đề này, chúng tôi cũng đề xuất một mô hình cho hệ thống chuyển đổi tự động tài liệu XML