語義知識(shí)庫存儲(chǔ)方案研究

殷浪

（武漢理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430063）

隨著網(wǎng)絡(luò)的發(fā)展，當(dāng)今社會(huì)已經(jīng)步入了信息時(shí)代。網(wǎng)絡(luò)資源呈指數(shù)增長(zhǎng)，互聯(lián)網(wǎng)己成為一個(gè)巨大的信息源，如何提高檢索質(zhì)量，尋求令人滿意的檢索模式和技術(shù)已經(jīng)是全球的研究重點(diǎn)。當(dāng)前基于關(guān)鍵詞的信息檢索由于數(shù)據(jù)缺乏語義信息及其查詢處理缺乏語義支持，只能查找出與用戶在語法層上匹配的信息，而無法給出與其在語義層上具有相關(guān)性的其他信息，從而導(dǎo)致信息查詢結(jié)果質(zhì)量低下。Tim Berners-Lee提出了語義網(wǎng)，使網(wǎng)上信息提供具有計(jì)算機(jī)可以理解的語義，它的發(fā)展和成熟使得高效、高質(zhì)的語義檢索成為可能，以克服基于關(guān)鍵詞的信息檢索技術(shù)的缺陷。但是基于知識(shí)庫的語義查詢通常比較緩慢。本文研究了語義知識(shí)庫的相關(guān)存儲(chǔ)方案，并采用LUBM測(cè)試集從查詢時(shí)間和存儲(chǔ)空間這兩個(gè)方面比較幾種不同的存儲(chǔ)方案[1-3]。

1 語義檢索技術(shù)

1.1 Protégé

Protégé是一款基于Java的圖形界面本體工具，是由美國(guó)斯坦福大學(xué)開發(fā)的免費(fèi)開源平臺(tái)。它為用戶提供了一系列的工具支持構(gòu)建領(lǐng)域本體模型和基于本體的知識(shí)庫應(yīng)用，常用于定義本體模式。

1.2 Jena

Jena是惠普實(shí)驗(yàn)室提供的針對(duì)語義Web應(yīng)用的開源Java開發(fā)包[4]。它支持應(yīng)用程序調(diào)用Jena提供的接口操作本體數(shù)據(jù)；支持主流的本體描述語言，如RDF、RDFS和OWL；支持多種本體的存儲(chǔ)模型，如內(nèi)存模型和數(shù)據(jù)庫模型等。Jena常用于定義實(shí)例并對(duì)本體數(shù)據(jù)進(jìn)行查詢維護(hù)等。本文將使用Jena API進(jìn)行相關(guān)查詢分析。

1.3 Sparql

Sparql（Simple Protocol and RDF Query Language）是為RDF開發(fā)的一種查詢語言和數(shù)據(jù)獲取協(xié)議，它為W3C所開發(fā)的RDF數(shù)據(jù)模型所定義，但是能用于任何可以用RDF來表示的信息資源[5]。RDF的三元模式構(gòu)成了圖形模式，而Sparql的查詢解決方案試圖將每個(gè)圖形模式變量的綁定與查詢模型節(jié)點(diǎn)進(jìn)行匹配。

Sparql協(xié)議和 RDF查詢語言（Sparql）目前是 W3C的工作草案或推薦標(biāo)準(zhǔn)，還在討論中。Sparql構(gòu)建在以前的 RDF查詢語言（例如 rdfDB、RDQL和 SeRQL）之上，擁有一些有價(jià)值的新特性。

2 本體知識(shí)庫存儲(chǔ)方案

2.1 文件系統(tǒng)

Jena可以在文件系統(tǒng)中持久化本體知識(shí)庫，即基于文件系統(tǒng)的存儲(chǔ)。該方式實(shí)現(xiàn)起來比較簡(jiǎn)單，很多本體相關(guān)工具都支持對(duì)文件格式的本體進(jìn)行存取。但是，這種方法不僅效率低，而且很難適應(yīng)數(shù)據(jù)量較大的情況。基于文件系統(tǒng)的存儲(chǔ)方式一般只適用于規(guī)模較小的本體。

早期的本體數(shù)據(jù)管理工作是基于文件系統(tǒng)實(shí)現(xiàn)的，它們用簡(jiǎn)單的文件格式存儲(chǔ)本體數(shù)據(jù)并支持一些基本的操作。這類工作主要用來編輯和建立本體，并不是為大規(guī)模本體數(shù)據(jù)的存儲(chǔ)和查詢管理服務(wù)的，如Protégé。

2.2 關(guān)系數(shù)據(jù)庫

由于關(guān)系數(shù)據(jù)庫技術(shù)發(fā)展成熟，大多數(shù)現(xiàn)有的本體數(shù)據(jù)管理工作使用關(guān)系或?qū)ο?關(guān)系數(shù)據(jù)庫管理系統(tǒng)作為后臺(tái)存儲(chǔ)。Jena就可以在關(guān)系數(shù)據(jù)庫（Relational Database）中持久化本體知識(shí)庫。當(dāng)前支持的數(shù)據(jù)庫引擎有 Oracle、PostgreSQL和 MySQL。 以 MySQL為例，下面的代碼說明了如何將OWL文件導(dǎo)入到MySQL持久化模型。

在持久化到數(shù)據(jù)庫后，可以通過ModelMaker.openModel（modelName）來訪問該模型。

2.3 TDB

TDB是Jena的一個(gè)組件，可大規(guī)模地存儲(chǔ)和查詢RDF數(shù)據(jù)集，且支持Sparql查詢[6]。TDB是一個(gè)具有高性能、非事務(wù)性的RDF數(shù)據(jù)存儲(chǔ)器，可以通過命令腳本和Jena API來訪問和管理TDB存儲(chǔ)。以下代碼是說明如何將OWL文件存儲(chǔ)為TDB的。

DatasetGraphTDB graph =TDBFactory.createDatasetGraph（TDBlocation）；

TDBLoader.load（graph， "file：///"+owlfile）；

3 實(shí)驗(yàn)設(shè)計(jì)和性能評(píng)估

3.1 實(shí)驗(yàn)設(shè)計(jì)

3.1.1 硬件環(huán)境

本實(shí)驗(yàn)測(cè)試是在個(gè)人電腦上進(jìn)行的。具體環(huán)境是：2.20 GHz Intel（R）Core（TM）2 Duo CPU T6600，2 GB 內(nèi)存，250 GB的硬盤，WindowsXP操作系統(tǒng)，JavaSDK 1.6.1。

3.1.2 測(cè)試數(shù)據(jù)集

LUBM是Lehigh大學(xué)提出的語義Web數(shù)據(jù)測(cè)試集。它基于大學(xué)這個(gè)領(lǐng)域，采用機(jī)器自動(dòng)生成的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，提供14個(gè)測(cè)試查詢和一套性能指標(biāo)[7]。它可以根據(jù)用戶指定的參數(shù)產(chǎn)生不同規(guī)模的數(shù)據(jù)，由此測(cè)試在不同規(guī)模的環(huán)境下，系統(tǒng)的實(shí)例查詢性能。LUBM測(cè)試集是目前最流行的語義Web測(cè)試集。它生成的數(shù)據(jù)滿足本體層的規(guī)范，因此，也可以作為推理系統(tǒng)的測(cè)試數(shù)據(jù)集。但是LUBM測(cè)試結(jié)果也存在一個(gè)問題，即生成的數(shù)據(jù)中屬性的個(gè)數(shù)是固定的，僅有64個(gè)。隨著數(shù)據(jù)量的增加，數(shù)據(jù)會(huì)失去語義Web的一大特點(diǎn)——稀疏性，導(dǎo)致測(cè)試的結(jié)果不能反映實(shí)際應(yīng)用的效果。

這14個(gè)測(cè)試查詢，有的涉及推理機(jī)，由于篇幅有限，只做了部分測(cè)試。以下是3個(gè)測(cè)試查詢語句。

3.2 實(shí)驗(yàn)結(jié)果對(duì)比

庫容量和轉(zhuǎn)載時(shí)間的比較如表1所示。其中，庫容量是指各種不同的存儲(chǔ)方式所占用的磁盤空間的大小；轉(zhuǎn)載時(shí)間是指從文件形式的知識(shí)庫轉(zhuǎn)換到其他存儲(chǔ)方式所需要的時(shí)間。

由于關(guān)系型數(shù)據(jù)庫會(huì)保存知識(shí)庫中所有的三元關(guān)系，因此耗時(shí)會(huì)比較多。對(duì)于1個(gè)50 MB左右的OWL文件，就已經(jīng)耗時(shí)4個(gè)多小時(shí)。因此，如果是較大的本體知識(shí)庫，想借關(guān)系數(shù)據(jù)庫來改善檢索效率的話，其可行性需要斟酌。相對(duì)于關(guān)系數(shù)據(jù)庫，TDB所用時(shí)間要少很多，值得借鑒。

表1 庫容量和轉(zhuǎn)載時(shí)間比較

對(duì)于上面提到的3個(gè)Sparql查詢語句，在用文件系統(tǒng)、關(guān)系數(shù)據(jù)庫和TDB這3種不同的存儲(chǔ)方式存儲(chǔ)時(shí)，查詢所消耗的時(shí)間和查詢結(jié)果如表2所示。

表2 查詢測(cè)試結(jié)果

由表2可知，TDB在查詢方面要比文件系統(tǒng)和關(guān)系數(shù)據(jù)庫的效率高。

針對(duì)目前語義檢索領(lǐng)域中基于文件或者關(guān)系數(shù)據(jù)庫存儲(chǔ)方案下檢索效率慢的問題，本文分析了這幾種存儲(chǔ)方案在查詢響應(yīng)時(shí)間和存儲(chǔ)空間上的區(qū)別，并提出了基于TDB的知識(shí)庫存儲(chǔ)方案。實(shí)驗(yàn)證明，該方法能較大程度上提高用戶檢索效率，并且能降低存儲(chǔ)所需空間。基于本體的語義檢索的知識(shí)中，推理機(jī)還沒有涉及。如果添加了推理機(jī)，語義檢索的速度將會(huì)更慢，因不屬于本文研究?jī)?nèi)容，故沒有作比較。

本體知識(shí)庫的存儲(chǔ)方案其實(shí)還有很多方式，如4store、BigData和BigOwlim等。由于能力有限，無法對(duì)每種方式進(jìn)行比較，只對(duì)研究項(xiàng)目所用到的存儲(chǔ)方式比較。這些將是以后研究工作中的重點(diǎn)。

[1]JARRAR M，MEERSMAN R.Ontologyengineering-the DOGMA approach[C].AdvancesinWebSemanticsI.Lecture Notes in Computer Science， 2009，4891：7-34.

[2] MILLER E. Semantic web applications[J]. INTAP Interoperability Technology Association for Information Processing， 2003（34）：210-212.

[3] GRUBER T R. A translation approach to portable ontologies[J].Knowledge Acquisition， 1993，5（2）：199-220.

[4]欒艷，丁二玉，駱斌.基于Ontology的語義檢索技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用，2005，28（41）：156-159.

[5]于水明.基于本體的語義檢索的應(yīng)用研究[D].大連：大連海事大學(xué)，2007.

[6]謝圣獻(xiàn)，謝光.語義檢索在電子商務(wù)中的應(yīng)用研究 [J].微計(jì)算機(jī)信息，2008，24（12）：50-56.

[7]Gao Yuanbo， Pan Zhengxiang， HEFLN J.An evaluation ofknowledge base systems for large owl datasets[C].Third International Semantic Web Conference，2004：6-7.