科學主題數據庫研究進展及應用潛能

楊紅，周小蕙，郝淼,，陶衡（通信作者）

1.貴州貴科大數據有限責任公司，貴州 貴陽 550000；2.貴州省分析測試研究院，貴州 貴陽 550000

0 引言

在數字經濟、信息化社會的大環境下，存在嚴重的“信息孤島”現象，為使不同部門如采購、設計、生產、銷售之間實現信息共享、數據暢通，需要通過信息資源規劃來梳理業務流程，治理目前較為混亂的數據環境。由此構建主題數據庫，而不是按照各種單一的報表原樣只建立所謂的“數據庫”。

主題數據庫是信息資源共享和數據利用的基礎體系，其構建是為了匯聚常規信息系統的業務數據、人員數據、項目數據、研究數據等，夯實數據資源，為實現數據的整合、挖掘、共享交換和應用奠定基礎。在主題數據庫的支撐下，實現對業務系統、政策方案、科學研究、項目情況等數據的深度匯總和挖掘分析，充分利用數據帶來業務價值的提升，實現業務高效化、規范化的目的。

構建主題數據庫可滿足多方用戶需求，涉及多方領域、多種資源，較為全面。通過建立主題數據庫，簡易、科學地實現了應用系統的集成，能夠為科研院所、企業和各級政府部門的戰略決策、研究成果等提供數據支持。

1 主題數據庫的作用

主題數據庫面向相應的學科或是應用領域，由眾多邏輯相關的數據資源按照統一的數據標準規范整合形成，具備系統性和完整性，并通過統一的系統以提供一站式服務，是科學大數據的一種主要形式，作為某一類別基礎數據搜集、保存和分享的工具。在往昔的探索中，主題數據庫的研究同樣不羈于一種門類，而是在全行業廣泛研究和應用。

王玉書和董丕明[1]在其研究成果中闡述了主題數據庫的概念，并給出關于企業的抽象化描述，認為主題數據庫是與企業主題有關、與常規計算應用無關的長期穩定的數據構成，如產品數據庫就是一種主題數據庫。

針對產品制造商面臨的業務信息系統數據結構異構、產品數據管理與企業整體需求脫節等問題，分析企業層面產品數據資源模型的優勢，研究復雜產品主題數據庫規劃的主要方法，形成基于主題集成和復雜產品數據全局管理的概念。經由過程建立繁雜產品主題數據庫模型，利用數據適配器成立雙源數據與產品主題數據庫之間的聯系，可實現繁雜產品數據的集成和全局處理。

經理信息系統（Executive Information System，EIS）[2]主要針對企業高管，由于暫時沒有“不變”的數據基礎而沒有施展出應當具有的效力。建立以EIS主題數據庫為核心的面向“主題”的數據剖析環境，所謂“主題”實則就是在較大、較高的層次將數據歸類為標準，將分析對象抽象化的表現。每一個“主題”對應一個“實體”，如人員、設施、產品等，其中各類數據都可集約化，設計為一種主題數據庫，在相對宏觀的數據分析領域中對數據有效管理，滿足查詢等需求。

科學數據網格（Scientific Data Grid，SDG）[3]的目的是在科學數據庫的數據資源基礎上，通過高性能調度技術、資源管理技術、數據網格技術[4]等進行網格計算，解決大量數據廣泛分布的異構問題，并以此為基點研討、建立對科學探索有啟迪作用的應用系統，實現數據資源共享。數據挖掘中的數據分析、處理和計算能力可用來分析數據的關聯和數據聚類，發現數據隱藏的模式和關系過程，挖掘數據中的“內容”。科學主題數據庫的建立，特別是以業務為導向、數據融合應用為目標的科學大數據主題庫，對于服務特色學科發展、為科技大數據多維度下的應用服務提供了有力的數據支撐。早期的相關研究對主題數據庫的定義、概念及構建具有重要的啟發，對此，本文將繼續從橫向視角對主題數據庫的發展進行論述。

2 主題數據庫的發展

2.1 國內研究進展

隨著大數據時代的到來，主題數據庫的數據管理方式和規劃方法發生了一定的轉變。王井樂[5]通過信息資源規劃梳理業務流程，進行了信息資源規劃研究，主要從以下三個角度出發。

（1）戰略角度。大數據時代下的信息資源能夠被概述為數以百計的業務類數據，即使再復雜的信息系統也勢必要以信息資源作為其本源，因此信息資源規劃具有關鍵的戰略性地位。

（2）應用角度。信息資源按來源可以分為內部和外部資源，即與之內部業務相關聯的資源和在外產生的，以及與內部發展密切聯系的外部資源。從內部資源角度看，企業的空間跨度越大，對信息共享的要求就越高；反之，從外部資源角度看，合理整合、利用外部資源可以明顯增強企業的競爭優勢。

（3）方法模型角度。 很多學者從方法模型角度研討了信息資源規劃及其管理模型和管理框架。目前的主流理論將信息資源管理分為七大模塊研究，即數據管理、電子通信、圖書館、技術情報中心、文書和記錄管理、辦公系統研究、信息服務以及統計信息管理。

事實上，主題數據庫還未被大規模地普及到實踐應用中，更多的是對其特征和技術環境等方面的摸索。周炎濤等人[6]對主題數據庫的技術進行了親合性分析方法研究，將主題數據庫作為高檔次的數據環境，其設計目的是能夠加速應用項目的開發，其邏輯結構是獨立于當前的計算機軟硬件實現過程，并具有以下基本特征[7]：①面向業務主題，與科研、政府及企業管理待解決的主要問題有關；②咨詢分享，在不同的應用系統中“共建共用”主題資料庫；③一次一處輸入系統，數據直接獲得、利用、存儲和傳輸；④由基本表（Base Table）組成，即主題數據庫的科學數據結構由“基本表”規范的數據實體構成。

按照關系模式的觀點，現實世界中有聯系的數據對象就構成了一個“實體”[8]，每一個主題相對應一個“實體”，數據庫則是由無數的“實體”匯聚而成，“實體”間存在一定的關系，把“實體”聚合成主題數據庫需遵循如下原則：①極弱的聯系，必須在不同的大組中；②較弱聯系或不常使用的聯系，可以在不同的大組中；③一般聯系，是否在一個大組中沒有影響；④較強聯系或經常使用的聯系，可以在同一個大組中；⑤極強聯系，必須在一個大組中。

現階段主題數據庫的研究還包括專題數據庫，李娟等人[9]提出如何構建“一帶一路”專題數據庫，并且將其分為4步：①面向不同用戶開展需求分析，制定數字資源建設規劃；②篩選數字資源內容，涵蓋多樣化資源類型；③多渠道開展資源獲取，保障高質量數據資源；④數字資源加工與整合揭示。

事實上，主題數據庫和專題數據庫在某一層面的確有共通之處，對專題數據庫的研究更是進一步探索了主題數據庫的構建及其構建意義。

主題數據庫的一種集約化數據環境，能很好地解決由于信息系統缺乏總體規劃，分散開發，數據標準不統一，導致數據大量冗余，信息綜合利用率低，信息共享和反饋困難等問題。關于主題數據庫的構建方法和評估機制，陳勇躍等人[10]同樣指出主題數據庫的設計是面向“主題”設計，對“實體”進行“主題”的劃分，形成一個“主題”的“實體”組合，后在此基礎上進行概念、邏輯、物理等類似“主題”數據庫的策劃和實行。“主題”的合理區分對制定主題數據庫具有決定性作用。

主題數據庫的規劃是對需求進行梳理，對業務進行分析，以構建模型。主題數據庫的建模過程（圖1）主要是采集信息、收集數據、編制標準、建立體系。其中，制定概念數據庫和邏輯數據庫標準是主題數據庫建立時的準則和依據。

圖1 主題數據庫建模過程

2.2 國外研究進展

國際上，縱觀數據庫的發展歷程，早在20世紀50年代左右，美國國防部就將其在國內外的兵隊部署、設備設施和戰略補給等相關數據集中起來用計算機進行相應處理和傳送，稱之為“數據庫”[11]，數據庫即具有多目的性文件的“集合體”。在后來的發展中，為確保相同數據統一管理，規范收集并處理數據，從而構建了有相應邏輯和概念的“主題”數據庫，對主題數據庫的研究更多指向不同領域，如醫學試驗、信息系統、企業管理等。

Andre Pinho等人[12]研究科學主題數據庫以應對臨床試驗存在的許多挑戰，包括對適當研究對象的招募和登記。每年全世界花費數十億美元用于藥物開發和相關的臨床試驗，贊助臨床試驗的制藥公司需要確保其數據的準確性和及時性。因此探索了一個全球監管合規數據庫的開發，該數據庫收集研究對象的歷史確切信息，以發現多種潛在的缺陷和違反方案，這將對加強臨床試驗數據準確性有不可估量的好處。臨床試驗驗證（Verified Clinical Trials，VCT）是世界上最大、最全面的研究性主題數據庫。通過利用VCT，發起者可以確保他們的受試者得到了驗證，既沒有參加另一個臨床試驗，也沒有處于洗脫期，更沒有違反任何其他方案標準。

Trachtengerts Michael[13]演示了一種方法，以更好地收集科學專題數據中心的數據。對于大多數主題數據庫來說，收集新發表的數據是一個長期且耗費人力的過程，因此改進數據收集方法在學科數據中心的內部活動中具有一定的優先地位。他們中的許多人在相似的科學領域做著幾乎相同的工作，從相同的來源中選擇數據，根據采用的規則設置信息、打字、精確控制等。

收集效率的提高依賴于科學技術的進步，基于數據揭示新發現、新事實等。主題數據庫中相關資源的分配是一個難題，因為它們通過多種信息來源廣泛傳播。較早的解決辦法是將各個有關中心的小組聯合在網絡上，為它們之間的信息交換制訂統一的格式。這一做法在組織活動時造成一系列障礙，并常常使這種聯系的結果無效。

Trachtengerts Michael[13]還以某課題熱物理中心的局部BD系統為例，重點介紹了一種能夠方便地將VLIS（Very Large Information Systems）的搜索結果轉換為局部BD系統的方法，并揭示需要有權威可靠的數據來源以構建主題數據庫。

M.S.Trakhtengerts[14]則在其研究成果中提及使用全球信息檢索系統作為生成主題數據中心集合來源的方法。

3 發展前景預測

隨著大數據時代的到來和快速發展，數據庫的應用也在向各個領域拓展。在當前時代及不遠的未來，數據庫有著更強的社會性和領域廣泛性，能夠更好地為大眾服務。科學大數據的發展，使得數據庫也呈現出多樣化的趨勢，科學主題數據庫便是其中更具有深度、專業性和綜合性的一類數據庫。

由于信息處于爆發式增長，科研機構、政府、企業每天處理的數據量高達上百萬，而龐大的數據量呈現出不統一、不全面、不清晰等特征，如何有效處理信息，已成為當代面臨的重大難題。因此，數據挖掘作為主題數據庫應用中重要的技術之一，綜合了機器學習、統計分析和數據庫技術，為數據庫中數據的決策型使用提供服務，在海量及復雜的數據中索取隱性且有用的信息和知識。

隨著計算機技術的飛速發展和廣泛應用，各種數據參差不齊等現象都對主題數據庫的應用提出了挑戰。在大數據背景下，主題數據庫技術占有重要地位，并具有廣闊的發展前景。

4 結語

大數據的利用已遍及到越來越多的學科和范疇中，受到廣泛關注。科學數據作為國家經濟社會發展和科技創新的重要資源，從科研申報、科研啟動、研究過程的實施、研究成果提煉、成果轉化應用，到產生經濟價值等過程，涉及科研基礎數據、科研技術數據、科研資料、環境數據、研究數據等。隨著科學數據的爆發式增長，匯聚全方位的科學數據，對數據進行深度挖掘，提煉科研數據趨勢、決策分析報告，對于促進科學研究和產業發展具有重大意義。例如生態資源普查、生物多樣性保護、臨床試驗等，都急需建立主題數據庫，并投入到處理數據、資源規劃等應用中。

研究表明，每個主題數據庫和實體集合都反映了實體之間的關系，通過實體聯系分析、實體聚合分析形成主題數據庫并對其進行規劃。研究主題數據庫在各領域的應用，并提出專題數據庫的構建過程，對于大數據時代下數據的進一步匯總和挖掘分析具有重要意義，有利于提升數據價值。同時，相關研究也解決了主題數據庫中關于資源分配的難題，揭示需要有權威、可靠且大量的數據來源，才得以構建全方位的主題數據庫。