Luận văn Đối sánh tự động lược đồ XML

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

--------------------------

LUẬN VĂN THẠC SỸ KHOA HỌC

®èi s¸nh tù ®éng l−îc ®å XML

NGÀNH: CÔNG NGHỆ THÔNG TIN

MS: ……………………….

VÕ SỸ NAM

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS. HUỲNH QUYẾT THẮNG

HÀ NỘI - 2006

Mục lục

Danh mục từ viết tắt, thuật ngữ.............................. Error! Bookmark not defined.

Danh mục bảng biểu ................................................ Error! Bookmark not defined.

Danh mục hình vẽ..................................................... Error! Bookmark not defined.

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.

2.4 Kết chương ............................................................... 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.

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

--------------------------

LUẬN VĂN THẠC SỸ KHOA HỌC

®èi s¸nh tù ®éng l−îc ®å XML

NGÀNH: CÔNG NGHỆ THÔNG TIN

MS: ……………………….

VÕ SỸ NAM

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS. HUỲNH QUYẾT THẮNG

HÀ NỘI - 2006

Đối sánh tự động lược đồ XML

i

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Đối sánh tự động lược đồ XML

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Đối sánh tự động lược đồ XML

iii

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Đối sánh tự động lược đồ XML

iv

Danh mục từ viết tắt, thuật ngữ

Từ viết tắt/ thuật ngữ Giải nghĩa

Ghi chú

CSDL

TTNT

XML

DTD

Cơ sở dữ liệu

Trí tuệ nhân tạo

eXtended Markup Language

Document Type Definition

XML Schema Definition

Standard Generalized Markup Language

Longest Common Subsequence

XSD

SGML

LCS

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Đối sánh tự động lược đồ XML

v

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Mở đầu

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 S₁và S₂trên 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 S₁và S₂(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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Mở đầu

2

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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Mở đầu

3

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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Mở đầu

4

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Mở đầu

5

trung 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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

6

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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

7

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"

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

8

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

9

sánh 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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

10

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

11

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),

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

12

XML (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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

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].

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

14

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.

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

15

* 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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

16

thác 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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

17

trên 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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

18

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

19

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

20

trong 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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin

Chương 1: Đối sánh lược đồ

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

Võ Sỹ Nam. Luận văn cao học – ngành công nghệ thông tin