在網(wǎng)格數據組織中使用概念

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

半結構化數據在網(wǎng)頁(yè)中的高級應用越來(lái)越普遍，商業(yè)企業(yè)每天生產(chǎn)及消費大量的數據。網(wǎng)格作為網(wǎng)頁(yè)上半結構化的數據具有相當復雜的內部結構，有時(shí)還被提取出來(lái)作為命令樹(shù)。
在大多數的網(wǎng)格搜索語(yǔ)言中，網(wǎng)格查詢(xún)的結構以鏈接的形式出現，網(wǎng)格元素的價(jià)值被用作選擇謂詞的一部分。有效鏈接模式匹配是網(wǎng)格數據庫中網(wǎng)格搜索程序的關(guān)鍵。
筆者概述了一種創(chuàng )新方式，將數據的概念考慮進(jìn)來(lái)進(jìn)行網(wǎng)格搜索，介紹了在網(wǎng)格數據庫中進(jìn)行關(guān)鍵詞搜索的一種有效的演算法。該方法的實(shí)質(zhì)是，如果數據的概念是已知的，那么數據的概念可以用于搜索最佳化。
首先定義一個(gè)數據模型，稱(chēng)之為CRD—FS。半結構化的數據對象-關(guān)系-屬性模式，包括概念數據模型的實(shí)體，以及層次結構網(wǎng)格數據。有了CRD—FS數據模型，許多網(wǎng)格數據庫的概念可以明確的被呈現，但是不能被WSDL及網(wǎng)格模式所識別。

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

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

3 搜索過(guò)程中概念的使用
概念是通過(guò)CRD-FS模式進(jìn)行優(yōu)化鏈接模式，從而用3個(gè)鏈接查詢(xún)來(lái)進(jìn)行搜索評估的。
搜索1：找出等同于“s123”的學(xué)生元素的學(xué)生姓名值，X路徑表示為：／／student[@stuNo=“s123”]／stuName
利用CRD—FS模式，可以知道學(xué)生姓名是學(xué)生對象類(lèi)的一個(gè)單一值屬性，學(xué)生編號是學(xué)生的身份標識，因此學(xué)生編號→學(xué)生姓名。為了處理搜索，我們只需要找出帶有學(xué)生編號屬性的網(wǎng)格中的第一個(gè)學(xué)生元素即可。
此外，Wu et al．已經(jīng)提議了一種演算方式，它集中搜索內容或具有概念信息值。
搜索2：找出所有學(xué)生的平均分。
解答該搜索處理器需要了解學(xué)生編號是對象類(lèi)學(xué)生的標識符，并且要將課程同學(xué)生之間的關(guān)系類(lèi)的單值屬性標記出來(lái)。
搜索3：找出課程中所有學(xué)生所取得的分數。
為了正確完成以上搜索，用戶(hù)需要明白學(xué)生編號是學(xué)生的標識符，代碼是課程的標識符，標記是課程與學(xué)生之間關(guān)系類(lèi)型的單值，每一門(mén)課程僅僅由一個(gè)院系所提供，每一門(mén)課程在網(wǎng)格文檔中僅僅出現一次。當WSDLs模式無(wú)法捕捉所有所需概念時(shí)，該信息可以在CRD-FS模式圖表中被捕捉。
有了CRD—FS數據模型所捕捉的概念，我們可以解釋網(wǎng)格詢(xún)問(wèn)是否正確，是否可以提高搜索評估性能。利用存儲在CRD-FS模式圖表中的概念，圖解搜索語(yǔ)言GLASS能夠自動(dòng)生成搜索所用的X搜索，用戶(hù)沒(méi)有必要去編寫(xiě)X搜索詢(xún)問(wèn)。

4 網(wǎng)格中的內容搜索
網(wǎng)格文檔中處理一個(gè)鏈接模式的搜索包括結構搜索及內容搜索。大多數現有的演算方法無(wú)法將內容同結構搜索相區分。在結構處理期間，它們將內容節點(diǎn)同元素節點(diǎn)一樣處理，搜索所詢(xún)問(wèn)的實(shí)際值需要依賴(lài)于原始文檔。我們提議將帶有相關(guān)表格的一個(gè)新的演算值(VERT)提取來(lái)克服這些局限。VERT技術(shù)是生成相關(guān)表格以便來(lái)存儲文檔內容，而不是將他們像節點(diǎn)那樣進(jìn)行處理和標記。筆者所說(shuō)的演算是基于文檔的概念信息。因為越多的概念被捕捉，筆者就可以進(jìn)一步優(yōu)化表格及詢(xún)問(wèn)這樣可以極大的提高效率。
例如，考慮帶有包含標簽的網(wǎng)格樹(shù)?？梢詫抵祪热萃P(guān)系標簽中的母標簽一同存儲，而不是為每個(gè)網(wǎng)格標簽和數值內容存儲標簽數據流。有了這些關(guān)系表，當用戶(hù)在發(fā)出一個(gè)鏈接搜索時(shí)，系統就能夠自動(dòng)將其重寫(xiě)至搜索中，這里節點(diǎn)價(jià)格大于15，他們的PC關(guān)系被稱(chēng)之為>15的價(jià)格節點(diǎn)所取代?？梢栽诒砀馬price中執行至帶有數值的所有價(jià)格元素當中。其性能結構以書(shū)本的標簽數據流為基礎。ISBN以及價(jià)格’> 15，以這種方式，可節省所有大于15的數值內容的數據流的成本，以及在合并標簽數據流之間的結構的成本。用這種方式，當處理鏈接搜索時(shí)，也可以節省書(shū)本對象同其價(jià)值屬性之間的結構及其價(jià)格。
最終，基于由ORASS所捕捉到的概念，標題，價(jià)格等是書(shū)本對象類(lèi)的唯一價(jià)值屬性，能夠將這些屬性的內容價(jià)值premerge到一個(gè)單獨的帶有書(shū)本對象標簽的關(guān)聯(lián)表格，有了premerged表格，可以對鏈接搜索作出回答。在premerged表格上僅僅可以完成一種有效的選擇。

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

6 結論
半結構化數據組織中的重要區域之一就是提供可以進(jìn)行有效數據搜索的演算。本文中概述了一個(gè)最佳化方案，在數據已知的時(shí)候可以被引用。介紹了一種數據模型，在ORASS中可以呈現出必要的概念，并且已完成的最佳化方案進(jìn)行描述，展示了當概念被包含在內的時(shí)候，鏈接方式是如何最佳化的。如何處理歷史鏈接演算中的價(jià)值，概念性的連接與對象類(lèi)之間如何被運用在關(guān)鍵字接近的搜索中。
今后將研究如何使用ORASS中捕捉的其他概念進(jìn)行鏈接方式詢(xún)問(wèn)的進(jìn)一步優(yōu)化，這些優(yōu)化方案哪些地方是有價(jià)值的，通過(guò)實(shí)驗來(lái)表明處理速度的提高。特別的信息是如何同最優(yōu)化方式所鏈接的，如母子、始祖一后裔關(guān)系，否定，節點(diǎn)的指令，恒定值及節點(diǎn)輸出。