海量RDF数据的管理.pdfVIP

海量RDF 数据的管理 邹磊， 陈跃国 1. 语义网和RDF 数据 语义网是万维网之父蒂姆·伯纳斯-李(Tim Berners-Lee)在1998 年提出的概念，它提供了一种在不 同的应用和个体之间共享和重用数据的整体框架[1]，其核心是构建以数据为中心的网络，即Web of Data 。我们将目前的万维网称之为Web of Pages 。众所周知，万维网是利用超链接技术将不同的文档 链接起来，从而方便用户的浏览和文档的共享。例如HTML 文档的语法在于告诉浏览器按照何种格 式来显示该文档，而并不是告诉计算机文档中的数据分别表示什么语义信息。语义网的核心是让计 算机能够理解文档中的数据, 以及数据和数据之间的语义关联关系，从而使得机器可以更加智能化地 处理这些信息。因此我们可以把语义网想象成是一个全球性的数据库系统，也就是我们通常所提到 的 Web of Data 。由于语义网技术涉及面较广，本文仅涉及语义网框架中的一项核心概念 RDF （Resource Description Framework ，资源描述框架）。 RDF 是一种数据模型，是由W3C 组织的 Resource Description Framework 工作组为了构建一个 综合性的框架来整合不同领域的元数据，实现Web 上互相交换元数据，促进网络资源的自动化处理 而提出的。随着因特网的发展和信息的丰富，对元数据的研究逐步深入，出现了多种元数据标准， 如DC[3](Dublin Core)、PICS[5](Platform of Internet Content Selection)等等。这些元数据描述、组织 和重新整理了网络信息，使得用户可以更方便地利用网络数据。RDF [6]是W3C 于1999 年提出的一 个解决方案，并于2004 年2 月正式成为W3C 推荐标准。RDF 的目标是为元数据在Web 上的各种应 用提供一个基础架构，使应用程序能够在Web 上互相交换元数据，促进网络资源的自动化处理。RDF 的基本数据模型包括了三个对象类型，资源(Resource)、属性(Property)及陈述(Statements) 。 资源：所有能够使用RDF 表示的对象都称之为资源，包括所有网络上的信息、虚拟概念、现实 事物等等。资源以唯一的URI(统一资源标识——Uniform Resource Identifiers，通常使用的URL 是它 的一个子集)来表示，不同的资源拥有不同的URI 。 属性：属性描述资源的特征或资源间的关系。每一个属性都有其意义，用于定义资源在属性上 的属性值(Property Value)、描述属性所属的资源形态、和其他属性或资源的关系。 陈述：一条陈述包含三个部分，通常称之为RDF 三元组主体，属性，客体 。其中主体一定是 一个被描述的资源，由 URI 来表示。客体表示主体在属性上的取值，它可以是另外一个资源（由 URI 来表示）或者是文本。 总的来说，RDF 是语义网框架中的基础数据模型。要实现从 Web of Pages 到语义网所提出的 Web of Data 的转变，构建海量和分布式的RDF 数据集是一项重要而且是不可或缺的步骤，为此 W3C 组织提出了Linked Open Data (LOD)项目[7]将各个零散的RDF 数据集链接起来从而构成未来语义网 6 的基础。目前的LOD 项目已经从2009 年的89 个数据集增长到20 12 年的325 个数据集，总规模超 过了 250 亿条三元组。RDF 数据的获取和构建目前有人工编辑，和基于信息抽取方法构建和基于 Web2.0 的协同编辑三种方法。传统的人工编辑只限定于单个领域的小规模RDF 数据的构建；基于 目前信息抽取技术，可以实现自动地从大规模非结构化数据中抽取和构建开放领域的RDF 数据。例 如Barton[8]抽取自MIT 图书馆数据，YAGO[9]和DBpeida[10]都是从维基百科上通过信息抽取的方 法来构建RDF 数据集合；另外利用类似于维基百科的协同编辑方法，由一个网络社区的用户共同构 建一个RDF 数据集也是构建高质量RDF 数据的一种可行的方法，典型的项目例如Freebase[11]等。 2. RDF 数据管理研究现状 目前海量RD