基于ＰＭＭＬ標(biāo)準(zhǔn)的數(shù)據(jù)挖掘本體構(gòu)建

摘要：針對(duì)實(shí)際問(wèn)題選擇數(shù)據(jù)挖掘方法是一個(gè)困難的工作，使用本體對(duì)數(shù)據(jù)挖掘方法進(jìn)行建模并為用戶(hù)推薦適合的方法是一個(gè)可行的解決方案。PMML是一種應(yīng)用廣泛的數(shù)據(jù)挖掘國(guó)際標(biāo)準(zhǔn)，提出了一種基于PMML標(biāo)準(zhǔn)構(gòu)建數(shù)據(jù)挖掘本體的方法并用Protégé構(gòu)建了一個(gè)本體，為利用本體推理為用戶(hù)推薦挖掘算法奠定了基礎(chǔ)。

關(guān)鍵詞：本體；數(shù)據(jù)挖掘；PMML；

中圖分類(lèi)號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)36-2563-03

Constructing Data Mining Ontology Based on PMML Standard

LIANG Zhu， ZHANG Hui， ZHANG Shi-ling

(Southwest University of Science and Technoloty，Mianyang 621010，China)

Abstract: It is difficult to select a suitable data mining algorithm for a real problem. Using ontology for modeling data mining algorithms and suggestingappropriate algorithm to a user is a feasible solution. We Propose a method to construct data mining ontology based.

Key words: ontology; data mining; PMML

數(shù)據(jù)挖掘是從海量數(shù)據(jù)中獲取知識(shí)的過(guò)程。然而，隨著研究的不斷發(fā)展，針對(duì)各種不同的問(wèn)題催生出了各種不同的數(shù)據(jù)挖掘算法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、粗糙集等。但這些算法有各自的假設(shè)，并需要設(shè)置各種參數(shù)，用戶(hù)在沒(méi)有數(shù)據(jù)挖掘?qū)＜規(guī)椭那闆r下很難使用這些算法對(duì)他們的數(shù)據(jù)進(jìn)行挖掘。將數(shù)據(jù)挖掘模型本體化，利用本體的推理機(jī)制為用戶(hù)推薦算法，對(duì)簡(jiǎn)化用戶(hù)的挖掘過(guò)程具有重要意義。本文提出了一種基于PMML標(biāo)準(zhǔn)構(gòu)建數(shù)據(jù)挖掘模型本體的方法，為利用本體推理為用戶(hù)推薦挖掘算法奠定了基礎(chǔ)。

1 本體

本體（ontology）原本是一個(gè)哲學(xué)上的概念，是研究客觀世界本質(zhì)的學(xué)問(wèn)。在計(jì)算機(jī)科學(xué)中，本體的定義尚未統(tǒng)一，Studer在1998年對(duì)本體的定義得到最多的認(rèn)同：“本體是對(duì)某一領(lǐng)域概念模型的明確的、形式化的規(guī)范說(shuō)明”[1] 人工智能領(lǐng)域的研究被分為兩類(lèi)，一類(lèi)是面向形態(tài)的，另一類(lèi)是面向內(nèi)容的。前者研究邏輯和知識(shí)的表示，后者研究知識(shí)的存儲(chǔ)。本體是面向內(nèi)容的，它清楚地描述了概念及概念之間的關(guān)系，通過(guò)概念之間的關(guān)系來(lái)描述概念的語(yǔ)義。不同研究者都把它當(dāng)作是領(lǐng)域內(nèi)不同主體(人、機(jī)器、軟件系統(tǒng)等)之間進(jìn)行交流(對(duì)話(huà)、互操作、共享等)的一種語(yǔ)義基礎(chǔ)，即由本體提供一種共識(shí)。

出于對(duì)各自學(xué)科領(lǐng)域和具體工程的不同考慮，構(gòu)建本體的過(guò)程各不相同。目前還沒(méi)有一套標(biāo)準(zhǔn)的本體構(gòu)建方法。一般認(rèn)為，Gruber在1995年提出的5條規(guī)則[2]是比較有影響的：1）清晰性、明確性和客觀性：本體應(yīng)該用自然語(yǔ)言對(duì)術(shù)語(yǔ)給出明確客觀的語(yǔ)義定義；2）完整性：所給出的定義是完整的，能表達(dá)特定術(shù)語(yǔ)的含義；3）一致性：知識(shí)推理產(chǎn)生的結(jié)論與術(shù)語(yǔ)本身的含義不會(huì)產(chǎn)生矛盾；4）最大單調(diào)可擴(kuò)展性：向本體中添加通用或?qū)Ｓ玫男g(shù)語(yǔ)時(shí)，通常不需要修改已有的內(nèi)容；5）最少約束：對(duì)待建模對(duì)象應(yīng)該盡可能少列出限定約束條件。

Ontology可以按照分類(lèi)來(lái)組織，包含5個(gè)基本的建模元語(yǔ)：類(lèi)、關(guān)系、函數(shù)、公理、實(shí)例；4種基本關(guān)系：part-of、kind-of、instance-of和attribute-of。本體構(gòu)建者也可以根據(jù)具體情況定義關(guān)系。[3]

2 PMML

數(shù)據(jù)挖掘技術(shù)的研究與應(yīng)用經(jīng)歷了十多年的努力和發(fā)展已取得了很大的成果，但仍然還存在許多問(wèn)題：

1）各種數(shù)據(jù)挖掘問(wèn)題及挖掘方法基于不同的模型和技術(shù)，彼此互相獨(dú)立，聯(lián)系很少；

2）缺少簡(jiǎn)明精確的問(wèn)題描述方法，挖掘的語(yǔ)義通常是由實(shí)現(xiàn)方法決定的；

3）數(shù)據(jù)挖掘系統(tǒng)僅提供孤立的知識(shí)發(fā)現(xiàn)功能，難于嵌入大型應(yīng)用；

4）數(shù)據(jù)挖掘系統(tǒng)僅提供孤立的知識(shí)發(fā)現(xiàn)功能，它沒(méi)有提供應(yīng)用獨(dú)立的操作元語(yǔ)。

到目前為止，數(shù)據(jù)挖掘行業(yè)是高度分散的，公司和研究機(jī)構(gòu)獨(dú)立開(kāi)發(fā)各自的數(shù)據(jù)挖掘系統(tǒng)和平臺(tái)，沒(méi)有形成開(kāi)放性的標(biāo)準(zhǔn)；同時(shí)數(shù)據(jù)挖掘本身是一門(mén)多學(xué)科綜合跨度非常大的技術(shù)，這兩點(diǎn)是上述問(wèn)題存在的根本原因。數(shù)據(jù)挖掘行業(yè)非常需要一個(gè)數(shù)據(jù)挖掘和統(tǒng)計(jì)模型的標(biāo)準(zhǔn)描述，除此之外，也希望該標(biāo)準(zhǔn)是一個(gè)相對(duì)嚴(yán)謹(jǐn)?shù)臉?biāo)準(zhǔn)，為今后提出的標(biāo)準(zhǔn)之間的互操作提供一個(gè)通用的平臺(tái)。

由Angoss，IBM，NCR，Magnify，Oracle，Illinois大學(xué)的NCDM(The NationalCenter For Data Mining)，SPSS，Xchange以及MINEit等組成的DMG，于1999年7月制訂出基于XML的預(yù)測(cè)模型標(biāo)記語(yǔ)言PMML，其思想就是依托XML本身特有的合理數(shù)據(jù)分層思想和自描述性，實(shí)現(xiàn)數(shù)據(jù)挖掘模型的描述、管理標(biāo)準(zhǔn)化和可移植性[4]，是一個(gè)已經(jīng)被W3C所接受的標(biāo)準(zhǔn)。其目的在于將模型以獨(dú)立于形式的方式封裝，使不同的應(yīng)用程序都可以使用它[5]。PMML可以幫助用戶(hù)簡(jiǎn)便、快捷地定義模型并且在不同廠(chǎng)商的相容應(yīng)用之間共享這些模型，為應(yīng)用提供了一個(gè)獨(dú)立于廠(chǎng)商的方法來(lái)定義預(yù)測(cè)模型（實(shí)際范圍已經(jīng)擴(kuò)展到其它數(shù)據(jù)挖掘模型），使用PMML標(biāo)準(zhǔn)在不相容的應(yīng)用系統(tǒng)之間可以實(shí)現(xiàn)無(wú)縫的模型交換。現(xiàn)在已經(jīng)得到應(yīng)用的是PMML3.2。

3 數(shù)據(jù)挖掘模型本體的構(gòu)建

3.1 數(shù)據(jù)挖掘模型

我們的研究是要構(gòu)建數(shù)據(jù)挖掘模型的本體，在這里將以樹(shù)的形式簡(jiǎn)單介紹基于PMML標(biāo)準(zhǔn)的數(shù)據(jù)挖掘模型的主要模塊，如圖1所示。模型主要包括頭信息、數(shù)據(jù)字典、 挖掘任務(wù)、 轉(zhuǎn)換字典和PMML模型以及擴(kuò)展幾個(gè)部分[6]。

1）頭信息（Header）：包含了版權(quán)、版本等相關(guān)信息

2）數(shù)據(jù)字典(DataDictionary)：涉及整個(gè)PMML文件中的原始數(shù)據(jù)定義

3）挖掘任務(wù)(MiningBuildTask)：包含了任意XML形式的對(duì)于挖掘結(jié)構(gòu)的描述

4）轉(zhuǎn)換字典(TransformationDictionary)：定義了多種形式的轉(zhuǎn)換機(jī)制

5）PMML模型(PMML Model):包含了關(guān)聯(lián)規(guī)則，聚類(lèi)，回歸等各類(lèi)模型的定義

6）擴(kuò)展(Extension)：包含了其他各部分沒(méi)有定義的需要擴(kuò)充的描述，也是每個(gè)元素的定義中都包含的內(nèi)容，方便用戶(hù)對(duì)模型的說(shuō)明和擴(kuò)展

其中最重要的部分是數(shù)據(jù)字典和PMML模型本身。PMML對(duì)模型中的每一個(gè)元素可以有進(jìn)一層的定義，定義中包含該元素涉及的其他元素和特征。對(duì)特征的定義包含特征的名稱(chēng)、數(shù)值類(lèi)型。

3.2 本體構(gòu)建

3.2.1 本體構(gòu)建工具Protégé

Protégé是一個(gè)免費(fèi)的開(kāi)放源碼本體編輯器和知識(shí)庫(kù)框架。Protégé平臺(tái)支持兩種本體建模方式，即采用Protégé框架編輯器和Protégé OWL編輯器。Protégé本體可導(dǎo)出為各種格式，包括Clips、UML、DAML+OIL、RDF(S)、OWL 和 XML Schema。它基于Java，具備可擴(kuò)展性，提供的是一種即插即用環(huán)境，使其成為一個(gè)進(jìn)行快速構(gòu)建原型）和開(kāi)發(fā)應(yīng)用程序的靈活基礎(chǔ)。

Protégé所采用的方法論使得系統(tǒng)構(gòu)建者能夠從模塊部件基礎(chǔ)上搭建軟件系統(tǒng)，包括組建領(lǐng)域模型的可重用的框架、獨(dú)立于領(lǐng)域的問(wèn)題解決方法論，這方便了解決問(wèn)題時(shí)的策略制定。系統(tǒng)包括兩個(gè)主要的部件：本體編輯器，通過(guò)擴(kuò)展層次結(jié)構(gòu)來(lái)建立領(lǐng)域本體，包括抽象和實(shí)際的類(lèi)與屬性；基于本體建立的知識(shí)獲取工具，以得到本體的實(shí)例。

Protégé擁有一個(gè)由開(kāi)發(fā)者、學(xué)術(shù)用戶(hù)、政府用戶(hù)和公司用戶(hù)共同構(gòu)成的強(qiáng)大群體。他們?cè)诟鞣N各樣的領(lǐng)域中為尋求知識(shí)解決方案而使用著Protégé，如生物醫(yī)學(xué)、情報(bào)搜集、公司建模等。

3.2.2 本體構(gòu)建方法

用類(lèi)表示的本體構(gòu)建關(guān)鍵在于合理地對(duì)知識(shí)進(jìn)行分類(lèi)，并正確完善地定義類(lèi)之間的關(guān)系。在該數(shù)據(jù)挖掘模型的頂層本體構(gòu)建參照PMML標(biāo)準(zhǔn)，按照以下方法構(gòu)建：

圖1 基于PMML的數(shù)據(jù)挖掘模型

圖2 用Protégé構(gòu)建的數(shù)據(jù)挖掘模型本體Header部分

圖3 Header的NECESSARY條件約束

1）類(lèi)的構(gòu)建

定義PMMLHeader， PMML-MiningBuildTask， PMML-DataDictionary， PMML-Models和PMML-TransformationDictionary幾個(gè)基本類(lèi)以及 BaseElement， BaseAttribute幾個(gè)擴(kuò)展類(lèi)。PMML-Models下包含子類(lèi)Association，Clustering，GeneralRegression等各種算法模型，該類(lèi)也是挖掘模型的核心部分，各算法模型詳細(xì)定義了出入口參數(shù)，挖掘數(shù)據(jù)類(lèi)型，使用算法名稱(chēng)等，其組織形式和其他各基本類(lèi)相似。BaseElement， BaseAttribute包含一些類(lèi)都關(guān)聯(lián)的共用子類(lèi)，如Extension，ValuePartition，optype等。

在各個(gè)類(lèi)下定義對(duì)應(yīng)的Element（元素）和Attribute（特征）兩個(gè)基本子類(lèi)，包含該部分的所有元素和特征。通過(guò)Element關(guān)聯(lián)到其他相關(guān)類(lèi)，Attribute則定義了該類(lèi)的各種特征。如PMML-Header的HeaderElement子類(lèi)包含子類(lèi)Application，Annotation，Timestamp和Header(因?yàn)镠eader和其他類(lèi)的關(guān)系不是父子類(lèi)的繼承關(guān)系，所以作為兄弟結(jié)點(diǎn)放在同一層，具體關(guān)系定義會(huì)在下一節(jié)中提到)；PMML-Header的HeaderAttribute包含子類(lèi)copyright和description等，表示Header的特征，如圖2所示。

ValuePartitions專(zhuān)門(mén)用來(lái)定義一些數(shù)據(jù)字典中沒(méi)有定義的離散數(shù)據(jù)類(lèi)型。如屬性property的屬性類(lèi)型為PROPERTY，取值范圍是：valid，invalid，missing。則在ValuePartitions下建立子類(lèi)PropertyValuePartitions，在PropertyValuePartitions下建立子類(lèi)valid，invalid，missing。然后建立property的對(duì)象屬性hasProperty，再設(shè)置該屬性的值域range為PropertyValuePartitions。[7]

2）關(guān)系的定義

不同于其他的領(lǐng)域本體，數(shù)據(jù)挖掘模型本體中的各類(lèi)間的關(guān)系并不依賴(lài)于父類(lèi)和子類(lèi)間的繼承，而是相互關(guān)聯(lián)。所以，定義對(duì)象屬性hasElement，hasAttribute和數(shù)值屬性hasValue幾個(gè)主要屬性，利用protégé提供的NECESSARY和NECESSARYSUFFICIENT條件約束機(jī)制來(lái)建立各個(gè)類(lèi)之間的關(guān)系。

例如對(duì)于上節(jié)中提到的Header的NECESSARY條件約束如圖3所示。對(duì)該約束中涉及的元素Application ，Annotation和Timestamp以及Extension再以類(lèi)似的方式進(jìn)行定義，這些元素也是以類(lèi)的方式存在。而對(duì)于特征copyright和description則需要用數(shù)值屬性hasValue定義其數(shù)據(jù)的類(lèi)型。

4 結(jié)論和將來(lái)的工作

數(shù)據(jù)挖掘模型本體的建立能夠?qū)崿F(xiàn)相關(guān)挖掘知識(shí)的共享和重用，而且由于該本體的建立參照了PMML標(biāo)準(zhǔn)，使之更容易被數(shù)據(jù)挖掘工作者理解和使用。由于數(shù)據(jù)挖掘過(guò)程本身的復(fù)雜性，本文建立的本體只是頂層本體，構(gòu)建了挖掘模型本體的框架。我們的下一步工作是進(jìn)一步完善類(lèi)間關(guān)系約束，并根據(jù)描述邏輯進(jìn)行推理選擇合適的數(shù)據(jù)挖掘算法。

參考文獻(xiàn)：

[1] Studer R， Benjamins V R， Fensel D. Knowledge engineer， principles and methods[J].Data and Knowledge Engineering，1998，25(12):161-197

[2] 韓韌，黃永忠，劉振林.OWL本體構(gòu)建方法的研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，26(3):1397-1340.

[3] 宋煒，張銘.語(yǔ)義網(wǎng)簡(jiǎn)明教程[M].北京:高等教育出版社，2004.

[4] 唐亮，鄭丕諤，陳瑋.基于PMML的數(shù)據(jù)挖掘模型管理[J]，2005，27(3):58-60.

[5] Raspl S. An Overview of PMML Version 3.0(RDF)[EB/OL].www.ncdm.uic.edu/workshops/dm-ssp04/pmml3_overview.pdf，2007.

[6] DMG HomePage.PMML 3.2 Specification[EB/OL].http://www.dmg.org/pmml-v3-2.html，2008.

[7] Horridge M， Jupp S， Stevens R. A Practical Guide To Building OWL Ontologies Using The Protg 4 and CO-ODE Tools Edition 1.1(RDF)[EB/OL].http://www.co-ode.org/resources/tutorials/，2007.