关联数据资源集间相似度计算方法研究.pdfVIP

邓兰兰（中国科学院国家科学图书馆 北京  100190  中国科学院研究生院 北京  100190）  李春旺（中国科学院国家科学图书馆 北京  100190）  * 关联数据资源集间相似度计算方法研究   摘要：本文提出了适用于关联数据的资源集间相似度计算的模型，依据基本描述、内容描述 和外部链接三个模块信息，借助相应的向量空间模型、语义相似度算法、集合相似度、数值 相似度算法或变形算法，得到得到资源集间的相似度。在一定程度上，解决当前关联创建中 相关资源集手工配置的问题。  关键词：关联数据  资源集间相似度 模型  Abstract ：This paper presents a model that calculates the similarity between resources of linked data. The model gets the similarity based on the basic description, content description information and external links information, with the corresponding vector space model, semantic similarity method, set similarity, num similarity and some improved methods. The result resolves the problem that when creation of links between instances, related resource have to be provided manually. Keywords ：Linked data, similarity between resources, model 1  引言  根据 CKAN 的统计，截止2011 年 9 月，网络上已有 2153 个关联数据包，如 DBpedia 、 LinkedGeoData 、LinkedCT.org 、D 等，覆盖了多媒体信息、地理信息、政府信息、新 闻出版信息、生命科学信息以及交叉学科信息等众多领域。然而，资源集之间的关联主要表 现为各个资源集与 DBpedia 、GeoNames 等少数核心资源集（HUB 资源）的链接，其它非 HUB 资源集之间的关联相对比较少，这在一定程度上限制了数据记录级（Item ）丰富关联 关系的建立，进而影响到关联数据应用服务的效果。 资源集间的关联关系是建立记录间关系的基础，因此，关于资源集间关联发现与创建方 法成为当前研究热点。基于资源集属性描述信息的相关计算是最常用的方法，如基于 VoiD （Vocabulary of Interlinked Datasets ）、Dataset Profile 等方法。该方法依赖资源集基本属性信 息、概要信息、权限信息等，这些信息为资源集的管理、搜索和爬取提供支持，但它不包含 对资源内容的描述信息，基于属性描述信息计算资源集之间的相似度存在一定的局限性。为 了揭示资源内容，Andriy Nokolov 等人[1]提出了基于随机抽样的资源集内容概要信息生成方 法，即从资源集中抽取有代表性记录标签的属性值，生成一个用以描述数据集内容的子集， 并以该内容子集作为计算记录集间相关性的依据，从而发现数据集内容上的关联关系。该方 法对抽样检索结果充分信任，即假设抽样检索结果全相关。事实上，单纯依靠一种标签属性 所进行的抽样具有一定的片面性。另外，在 Web 整合[2]领域对资源集间相似度计算曾提出 [3] [4] 多种方法，包括：基于资源集的 STARTS 资源描述模型 、提问取样技术 和调焦提问探测 技术[5,6]，具体算法有 gGlOSS[7]、CORI[8] 以及ReDDE[9]等。这些算法主要是基于文本网络， 对关联数据集具有一定的借鉴性。