基于结构化信息源的本体构建方法综述
知识图谱构建中的数据整合与质量评估
知识图谱构建中的数据整合与质量评估知识图谱是一种将结构化、半结构化和非结构化数据整合成一种统一、可查询的知识表示形式的技术。
在知识图谱构建的过程中，数据整合和质量评估是至关重要的环节。
本文将探讨数据整合和质量评估在知识图谱构建中的重要性以及常见的方法和技术。
一、数据整合数据整合是将来自不同数据源的异构数据进行集成和统一，形成一个一致的数据表示的过程。
在知识图谱构建中，数据整合的目标是将来自不同领域、不同媒介和不同层级的数据进行整合，形成一个统一且具有语义关联的知识图谱。
数据整合的挑战在于不同数据源的数据格式和语义的差异，需要通过一些技术手段解决。
以下是几种常见的数据整合方法：1.数据清洗与预处理：对原始数据进行清洗和预处理，包括去除噪声、填充缺失值、规范化数据格式等，以保证后续的数据整合工作的准确性和可靠性。
2.数据对齐与映射：对不同数据源的属性和实体进行对齐和映射，以建立数据之间的关联关系。
常用的方法包括基于规则的对齐、基于统计的对齐和基于机器学习的对齐。
3.本体构建与扩展：利用本体（Ontology）描述领域知识，将不同数据中的概念映射到本体，以实现语义一致性和语义关联。
4.知识抽取与融合：结合自然语言处理和信息抽取技术，从文本和非结构化数据中抽取和融合知识，以丰富知识图谱的内容。
通过上述数据整合方法，我们可以将来自不同来源的数据进行整合，形成一个完整、一致的知识图谱。
二、数据质量评估数据质量评估是指对知识图谱中的数据质量进行定量和定性的评估，以保证知识图谱的准确性、可信度和有效性。
数据质量评估的重要性在于，知识图谱的正确性和可靠性直接影响到其在实际应用中的效果。
以下是一些常见的数据质量评估指标和方法：1.准确性评估：通过与外部数据源的对比，评估知识图谱中实体和关系的准确性。
常用的方法包括比对实验、交叉验证和专家评估。
2.完整性评估：评估知识图谱中信息的完整性程度，即评估知识图谱是否包含了领域中的所有概念和关系。
意义建构理论研究综述
意义建构理论研究综述1 引言意义建构理论的相关研究始于上世纪70年代，主要涉及三个学科，分别是Russell、Stefik、 Pirolli[1]开展的人机交互领域的研究；Karl Weick[2]完成的组织行为学领域的研究以及Brenda Dervin[3]进行的信息科学领域的研究。
本文主要围绕Dervin的意义建构理论展开。
意义建构理论是以构建主义理论[4]、传播学理论为基础，以认识论和本体论为核心[5]的理论方法。
意义建构是指人们赋予经历意义的过程[3]，也是人们对信息进行建构或非建构，即信息设计的过程[4]。
意义建构理论具有鲜明的构建主义和用户导向的特色，目前已经成为信息行为研究的主要理论与方法之一[6]。
Ying Ding的因子分析结果表明，1987年～1991年间，在因子“信息需求和用户研究”中，Dervin的影响因子为0.81，仅次于Kuhlthau的 0.84；在1992年～1997年间，在因子“信息查询行为模型”中，Dervin的影响因子排在第二[7]，由此可见Dervin的意义建构理论在学术界已经具有深远的影响。
目前，国内对意义建构理论的研究主要有乔欢等部分学者的相关工作[8-10]，尚未见对其进行系统梳理的成果。
鉴于此，本文针对Brenda Dervin的意义建构理论进行系统的综述。
2 方法2.1 文献收集本文主要通过被引文献数据完成意义建构理论相关研究文献的收集。
意义建构理论的早期工作出现于1976年Dervin的Strategies for dealing with human information needs:Information or communication?一文[11]中，相对完整的工作出现于1983年Dervin在International Communications Association年度会议上的报告An overview of sense-making research:Concepts，methods and results to date[3]。
知识图谱构建与应用方法介绍与示例
知识图谱构建与应用方法介绍与示例知识图谱是一种用于描述和组织知识的技术，它可以将各种不同领域的知识整合在一起，形成一个结构化的知识网络。
知识图谱可以帮助人们更好地理解和利用知识，在许多领域具有广泛的应用前景。
本文将介绍知识图谱的构建方法和应用示例，帮助读者了解并应用这一强大的技术。
一、知识图谱构建方法1. 知识抽取：知识抽取是构建知识图谱的第一步，它包括从文本、数据库或其他数据源中提取结构化的知识。
常用的技术包括自然语言处理、信息抽取和实体识别等。
通过这些技术，我们可以从大量数据中提取出实体、关系和属性等信息，用于构建知识图谱的节点和边。
2. 知识表示：知识表示是将抽取得到的知识转化为计算机可以理解和处理的形式。
常用的表示方法有本体表示、三元组表示和图表示等。
本体表示使用本体语言（如OWL）定义概念和属性之间的关系，三元组表示使用主语-谓语-宾语的形式表示实体之间的关系，图表示使用节点和边的形式表示知识的结构。
3. 知识融合：知识融合是将从不同数据源中抽取得到的知识整合在一起，形成一个统一的知识图谱。
融合知识需要解决实体对齐、关系对齐和属性对齐等问题，常用的方法包括基于规则的匹配、基于语义的匹配和基于机器学习的匹配等。
4. 知识推理：知识推理是对知识图谱进行推理和推断，发现其中的隐藏知识和规律。
常用的推理方法包括规则推理、语义推理和统计推理等。
通过知识推理，我们可以发现新的关系、属性和实体，提高知识图谱的质量和可用性。
二、知识图谱应用示例1. 智能问答系统：知识图谱可以用于构建智能问答系统，帮助用户快速获取有关问题的答案。
通过将问题转化为图谱查询，系统可以在知识图谱中找到相关的实体和关系，并生成相应的回答。
例如，用户可以询问“谁是美国第一位女性总统？”，系统可以通过知识图谱回答“希拉里·克林顿是美国第一位女性总统”。
2. 智能推荐系统：知识图谱可以用于构建智能推荐系统，帮助用户发现符合其需求和兴趣的内容。
基于软件工程开发的领域本体构建研究
基于软件工程开发的领域本体构建研究摘要：随着信息技术的不断发展，软件工程的开发力度也越来越大。
软件工程领域的本体分析阶段充分利用原型化方法进行领域概念及概念关系的分析与设计是一项十分重要的工作，通过有效的本体构建能够优化软件工程的开发方法，充分发挥各种软件开发技术的各自优势，使生成的领域本体能够更高效地满足用户的需求，有鉴于此，本文对软件工程开发领域的本体构建进行了详细的分析和研究。
关键词：软件工程开发领域本体构建结构化方法软件工程开发的领域本体构建，能够通过本体来建立指定知识的逻辑模型从而控制本体的开发，使得每个应用都有相应的知识本体，又能集成到项目以后的本体应用。
本文在传统的领域本体构建方法基础上融合了软件工程开发方法中的结构化开发方法和原型化开发方法。
1、传统领域本体构建方法分析本体比较抽象客观的模型已经被人们赋予了不同的概念，并已经在实际生活中得到广泛应用，一些先进的领域已经建立了自己领域的标准本体。
目前在计算机上有许多可以广泛使用的本体，这些本体是一些非常关键的资料库，这就使得很多领域的相关专家都是借助本体来实现对领域中所涉及到的或者是所需要的信息资源的共享。
但是目前构建的本体还没有固定或者是统一方法，这些本体都是针对领域或者一些比较具体项目提出来的。
1.1 共同点分析骨架法和评估法在构建领域本体过程中的它们之间是存在着共同点的。
许多的本体构建方法为了易于知识的获取和本体功能的描述，往往都以一个具体的任务为起点。
在构建过程中可分为非形式化的描述本体和形式化描述本体这前后两个阶段，都希望通过累积的方法来构建本体，达到的进一步开发目的。
对于那些由同一个基础本体构建出的领域本体，由于能够实现高层概念的共享，使得本体系统之间具有了相互操作的能力。
1.2 缺陷分析软件开发生命周期过程的标准，一般包括模型阶段、项目管理阶段、软件开发阶段和集成阶段，然而目前领域本体的构建还没有形成一种工程性的活动，还没有一种完全成熟的方法。
知识图谱构建方法研究
知识图谱构建方法研究知识图谱是一种结构化的知识表示形式，它用于描述实体、关系和属性之间的语义关系。
知识图谱可以帮助人们更好地理解知识领域内的信息，促进信息共享和应用。
随着人工智能技术的不断发展，知识图谱在个人化推荐、搜索引擎优化、自然语言处理等领域的应用越来越广泛。
因此，如何有效地构建知识图谱成为一个热门的研究领域。
一、知识图谱构建的基本流程知识图谱构建的基本流程包括三个步骤：知识抽取、知识融合和知识表示。
1.知识抽取知识抽取是知识图谱构建的第一步，它主要是从非结构化或半结构化的数据源中提取出实体、属性和关系等信息。
知识抽取可以通过机器学习、自然语言处理等技术实现。
2.知识融合知识融合是将来自不同领域或数据源的知识进行整合，并消除重复、矛盾等问题。
知识融合可以通过基于相似性、规则等方法进行，也可以使用图匹配、聚类等技术进行自动融合。
3.知识表示知识表示是将抽取出来的实体、属性和关系等信息表示为计算机可以理解的形式，通常采用图形化表示方式，如本体论、关系模式等。
二、知识图谱构建方法的研究根据知识图谱构建的基本流程，研究者们提出了许多有效的构建方法。
以下是其中几种较为常见的方法：1.基于模式的知识抽取方法该方法主要是基于预定义的模式来从非结构化的文本中提取出实体和关系等信息。
这种方法包括基于规则和基于模板的方法。
这种方法的优点是准确率高，缺点是需要手动编写规则或模板。
2.基于机器学习的知识抽取方法该方法使用机器学习算法来解决非结构化数据的抽取问题。
它主要分为有监督和无监督两种类型。
有监督学习能够利用标注数据来进行模型训练，但需要大量的标注数据；无监督学习没有标签数据来指导模型训练，但其可以自动捕捉潜在的数据规律。
3.基于本体的知识融合方法该方法利用本体论来描述知识，通过实体对齐和概念对齐等方式将来自不同数据源的知识进行融合。
该方法具有高效性和可扩展性，但需要人工参与本体的定义和维护。
三、知识图谱构建的应用知识图谱的应用越来越广泛，目前已经在以下几个领域得到了广泛的应用：1.智能问答知识图谱可以利用其关系和属性等信息来回答自然语言问题。
知识谱构建AI的知识体系
知识谱构建AI的知识体系随着人工智能的发展和应用，知识谱构建AI成为了研究的热点之一。
知识谱是指将人类知识进行结构化、整理和分类，形成一个完备的知识体系。
本文将从三个方面探讨知识谱构建AI的知识体系，包括知识表示、知识获取以及知识应用。
一、知识表示知识表示是指将人类知识以机器可理解的方式进行表达和存储。
在知识谱构建AI中，常用的知识表示方法包括本体论和图谱。
本体论是一种基于语义的知识表示方法，通过定义概念、属性和关系来描述知识之间的联系。
图谱则是通过构建节点和边的方式，将知识表示为图的形式，其中节点表示实体，边表示实体之间的关系。
二、知识获取知识获取是指从多样化的数据源中提取和抽取知识。
在知识谱构建AI中，常用的知识获取方法包括结构化数据抽取、文本挖掘和知识推理。
结构化数据抽取是指从结构化数据源中抽取有用的知识，例如从数据库中提取关系表。
文本挖掘则是通过自然语言处理技术从大量文本中提取有用的知识，例如从新闻报道中获取实体和关系信息。
知识推理是指通过逻辑推理和推理规则，从已有知识中生成新的知识。
三、知识应用知识应用是指将构建好的知识体系应用于实际问题中，帮助人们解决问题和做决策。
知识谱构建AI的知识体系可以应用于多个领域，例如智能问答系统、推荐系统和智能医疗。
在智能问答系统中，知识体系可以帮助系统理解用户的问题并给出准确的答案。
在推荐系统中，知识体系可以帮助系统根据用户的兴趣和需求，推荐符合用户喜好的商品或服务。
在智能医疗中，知识体系可以帮助医生进行病例分析和诊断，提供精准的医疗建议。
结论知识谱构建AI的知识体系在人工智能领域具有重要的作用。
通过知识表示、知识获取和知识应用，可以构建出丰富、准确的知识体系，为智能系统提供强大的知识支持。
未来，随着技术的进一步发展，知识谱构建AI的知识体系将在更多领域得到广泛应用，为人们的生活带来便利和创新。
中文本体的半自动构建研究
本体技 术的发展 。文章 分析 了本体构建 的软件 工程 学方 法、 义提 取 方法和 素材 选择原 则 ， 论 了结构化 、 结构 语 讨 半
化 知 识 源 构 建 本 体 的 方 法 与 思 路 ， 以 实例 进 一 步论 证 了研 究 方 法 和 思路 的 科 学 性 和 可行 性 。 并
引擎在一定程度 上解 决 了这个 问题 ， 但搜 索 引擎仍 然
是停 留在信息 处理 层 面上 。搜 索引擎 在排 重 、 用户 需
求 理解等方面存在着许 多不足。本体成 为上述 问题 的 解 决方案之一 ， 他是语义 网的核心 ， 实现 了从 人类对 文 字、 符号的理解到机器处 理的连接 。 基于本体的知 识处 理 的基础 是本 体库 ， 本体 库 的 构 建过程 就是对文本进行理解 、 中提取知 识 、 从 建立 三 元组 的过程 。对 于领域 专家 来说 ， 在构 建工 具 的帮 助
脑 中的隐性知识 、 录在书 籍或其 他 载体上 的数 据信 记
收 稿 日期 ：０ ９ ６—２ ２ ０ —０ ９ 修 回 日期 ：０ ９ ８ １ ２０ —０ — ０
基 金 项 目 ： 家 自然 科 学 基 金 委 资 助 项 目“ 于 数 字 雷 书 馆 的 本 体 演 化 与 知 识 管 理 研 究 ” 编 号 ：０ ７ ０ ７ 成 果之 一 。 国 基 （ ７７３８ ）
键 环 节 ， 至 成 为 本 体 技 术 真 正 走 向 应 用 的 瓶 颈 。 本 甚
和范 围， 考虑重 用现 有本体 ， 分析 领域 特征 ， 确定 核心
概 念 ， 义 类 和 类 的 继 承 ， 义 属 性 和 关 系 ， 义 属 性 定 定 定
的 限制 ， 创建实例 ， 逻辑 检验 ， 体推理规则 的制定 ， 本 检
基于本体的中文医疗知识库及知识管理系统的构建
基于本体的中文医疗知识库及知识管理系统的构建基于本体的中文医疗知识库是医学信息学领域的前沿研究问题。
随着信息技术的发展,医疗领域的信息化程度也在不断地提升。
我国的医疗信息化正处于从“管理数字化”阶段向“医疗数字化”阶段转变的过程中,需要着重解决医疗知识在计算机中的描述与存储问题。
本体作为一种新兴的知识组织模式,已经越来越多地被应用在知识建模中。
目前现有的中文医疗知识库一般基于关系型数据库,而在实际的医疗领域,这些传统知识库已经不再能够满足医疗工作者在实际应用过程中的需求。
同时,一些医疗决策支持方面的研究也亟需一个完备的结构化的知识库来进行支持。
以SNOMED-CT与UMLS为代表的医疗知识库目前已经部分应用于发达国家的病案管理,而我国在此方面的研究目前均处于起步阶段。
所以研究基于本体的中文医疗知识库很有现实意义。
本文构建了一个基于本体的中文医疗知识库及知识管理系统。
在知识库研究方面,首先对本体论及相关技术展开研究,实现了本体模型与关系模型的相互转换,解决了本体对大量数据处理的优化问题。
知识库以SNOMED-CT与UMLS等国外的权威术语库的内容作为数据基础建立关系模型,对其数据结构进行优化,并通过术语匹配来进行英文术语的翻译工作,还使用Protégé建立了医疗知识本体模型。
在医疗知识库构建完成后,开发了建立在知识库基础上的知识管理系统,设计面向用户的知识库浏览及编辑界面,此部分将实际应用于医疗机构。
同时,在研究中应用本体推理系统,对通过知识自动分类进行自动诊断这一方法进行了探索。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第7 期
储（ 约占 77． 3% ）
［2 ］
车成逸， 等： 基于结构化信息源的本体构建方法综述
， 实现关系数据库和本体之间数据的互操
· 2407·
第二类方式从数据库模式和本体间建立映射的目的出发 ， 又可以进行分类： 基于模型转换途径的分类 ； 基于映射所针对 的数量的分类； 基于映射结果表达形式的分类 。 目前关系数据库模式和本体间模型转换的途径主要有两 种： 把关系数据库模式转换为类似本体形式表达 ； 把关系数据 库模式和本体分别转换到某种中间模型 。 有些研究工作
61073139 ） ； 中央高校基本科研业务 基金项目： 国家自然科学基金资助项目 （ 60873010 ，
N100604017 ， N090604012 ） ； 国家教育部新世纪优秀人才支持计划资助项目（ NCET-05-0288 ） 费资助项目（ N090504005 ， 作者简介：车成逸（ 1969-） ， 男， 朝鲜民主主义人民共和国人， 博士研究生， 主要研究方向为数据库、 信息抽取、 本体； 马宗民（ 1965-） ， 男（ 通信作 者） ， 教授， 博士， 主要研究方向为智能数据与知识工程 （ mazongmin@ ise． neu． edu． cn） ； 焦晓龙（ 1987-） ， 男， 硕士研究生， 主要研究方向为本体工程．
［3 ］
采用了把关系数据库模式用本体的形式表达的转换途径 。 通 比如采用关系数据库逆向 常这类工作首先通过一些转换规则 ， 工程（ relational database reverse engineering ） 的思想， 自动或半 自动地把 关 系 数 据 库 模 式 表 达 为 本 体 的 形 式 （ 以 RDFS 或 OWL 最为常见 ） ， 然后再寻找转换本体和输入本体之间的映 射。现有的研究主要集中在第二种模型转换途径上 ， 即把关系 数据库模式和本体分别转换到某种统一的中间模型
收稿日期： 2012-01-12 ； 修回日期： 2012-03-21
1
结构化信息源的本体创建方法综述
本体的质量贯穿从本体构建到应用的整个生命周期 ， 如何
选用合适的数据源及挖掘手段快速获取高质量本体是当前和 未来一段时间内的重要研究领域 。从文本（ 包括 Web 文本） 数 据资源中抽取信息， 需要进行词法分析和句法分析 ， 目前该领 域仍然需要更加深入的研究 ， 同时由于存在着自然语言固有的 模糊性， 所以抽取本体的准确性不高 。 当前 Web 上最大的数 基于结构化数据来源获取本 据资源是以结构化的形式展示的 ， 体的方法是一种能很好地解决低准确性弊端的方法 。 Web 上 XML 文档和表格数据源结构化程度有所不同 ， 的数据库、 但都 是能以简便、 快捷的方式构建高质量本体的数据源 。以下分别 针对从三个数据源构建方法进行分类和归纳 。 1. 1 基于数据库的领域本体学习方法 目前万维网上绝大多数数据仍然以关系数据库的方式存
［5 ］
； 两者数目都固定［10］ ；
［13 ］
两者之一数目固定。其中最为常用的方法是面向任意多个关 系数据库模式和一个已知本体之间的映射 。 通常此类方法 在这些领域中存在被 主要面向某些特殊领域的数据集成问题 ， 且这些通用本体覆盖了该领域中绝大多 普遍认同的通用本体， 数的概念知识， 这时只需要考虑多个关系数据库模式到该通用 本体的映射问题。 目前关系数据库模式和本体间映射结果的表达形式有简 单对应关系的表示方式 示方式
［6 ］
和较复杂的包含语义信息的表
。
除了可以从关系模型中获取本体外 ， 还可以从面向对象模 型中获取本体。面向对象模型与本体有许多相似之处 ， 所以从 面向对象模型中获取本体的方法比较简单 。另外， 由于目前面 所以这方面不是研究的重点 。由 向对象数据库应用范围有限 ， 于篇幅有限， 本文不作讨论。 1. 2 基于 XML 的领域本体学习方法 XML 的文档结构可以嵌套任意复杂的句子 ， 因此它适于 构成大型和复杂的文档 。 这不仅使用户可以指定一个定义了 而且还可以指定元素之间的关系 。 DTD 文档中元素的词汇表， （ document type definition） 和 XML Schema 是 XML 文档的模式， 用来对 XML 文档的逻辑结构进行定义 。 XML 文档的模式规 定了 XML 文档中的元素、 属性、 元素间以及元素和属性之间的 关系。可以将基于 XML 的本体学习方法分为两大类 ： 从 XML 文档抽取本体； XML 文档和已存在的本体间映射 。 第一类方式又可以分为两种主要类型 ： 利用 XML 文档模 式的转换方法； 关注 XML 文档原始内容的转换方法 。 利用 XML 文档模式的转换方法只关注 XML 文档的模式 （ DTD 或 XML Schema） ， 一般忽略 XML 文档中的许多原始信 息， 即利用一些映射规则将其中的一些元素映射到本体 。其中 的研究重点是映射规则的发现 ， 现有的方法可以分为两种类
由于本体的构建和维护工作费时费力， 本体的构建方法研究成为了实现语义 Web 应用的最重要技术。 综述了 XML 文档以及 Web 表格 ） 构建本体的方法， 从不同的结构化信息源 （ 数据库、 进行了详细分析与对比， 并给出其 存在的不足之处以及未来可能的研究方向。 关键词： 本体构建； 结构化信息源； 数据库； XML 文档； Web 表格 中图分类号： TP391． 13 文献标志码： A 文章编号： 1001-3695 （ 2012 ） 07-2406-05 doi：10． 3969 / j． issn． 10013695． 2012． 07． 02
Survey on methodology for constructing ontology based on structured information source
CHA Songil，MA Zongmin，JIAO Xiaolong
（ College of Information Science ＆ Engineering，Northeastern University，Shenyang 110819 ， China）
0
引言
本体（ ontology） 是用来描述广泛范围内或某个领域内的概
仍处于相对不成熟的阶段 ， 每一个工程拥有自己独立的方法 。 结构化数据作为巨大的数据源 ， 从结构化数据中提取知识是当 前本体研究的热点之一 。 本文从基于结构化数据源本体自动构建方法论的角度出 发， 总结分析了现有领域本体的构建技术与方法 ， 并在此基础 上展望了本体构建未来可能的研究方向 。
第 29 卷第 7 期 2012 年 7 月
计 算 机 应 用 研 究 Application Research of Computers
Vol． 29 No． 7 Jul． 2012
基于结构化信息源的本体构建方法综述
车成逸，马宗民 ，焦晓龙
*
（ 东北大学 信息科学与工程学院，沈阳 110819 ） 摘 要： 作为一种能够在语义层和知识层上描述信息系统的概念建模工具， 本体在许多领域得到了广泛应用。
念以及概念之间的关系 ， 使得这些概念和联系在共享的范围内 有着明确唯一的定义， 达成一种共识， 这样人机就可以进行交 流
［1 ］
。随着本体在人工智能、 信息检索以及知识管理等研究
人们对本体的要求也越来越多 。近年 领域中的应用不断扩展 ， 来， 研究者们利用本体思想从不同角度对信息集合进行标引 ， 表示信息内容与知识组织体系之间的链接关系用户在使用信息的过程中更加便捷 地浏览和理解相关概念和资源 ， 还可以利用本体中的语义关系 及推理规则集合进行推理 ， 从而实现基于本体的智能分析和知 识组织， 并通过智能分析来预测知识增长点 。目前已经有很多 建成并在实践中应用的本体 ， 这些本体在不同的领域取得了不 同程度的成功。 本体的应用建立在本体的构建基础上 ， 优质的本体构建正 成为本体开发与应用的一个瓶颈 。 本体构建方法直接影响所 规定本体在特定应用或特定环境中的 构建本体的质量及效率 ， 性能和适用性， 影响本体能否在语义网中大规模应用 。本体构 因此， 越来越多的研究者们开始重 建是一项花费巨大的工程 ， 视和研究最适合的本体构建方法 。 由于本体工程到目前为止
［10 ， 11 ］
。通
利用所定义的规则将关系模式转换为一个本体 ， 通过数
比如有根 常这类工作首先定义一个表达能力适中的中间模型 ， PDDL 中间 的有向无环图（ rooted directed acyclic graph） 和 Web然后分别把关系数据库模式和本体转换到中间模型 。 模型等， 对于关系数据库模式到中间模型的转换 ， 可以增加某些语义信 息， 比如通过机器学习和数据挖掘的方法获取更多更复杂的关 则需要裁剪丢弃不兼容的 系； 而对于本体到中间模型的转换 ， 语义信息， 比如把本体图模型转换为树型的连接公式 。 从映射方法针对的关系数据库模式和本体的数量上将映 射方法分为三种： 两者皆为任意数目
［11 ］ ［9 ， 10 ， 12 ］
讨论了利用
描述逻辑来表示 ER 模型的方法， 通常采用的方法是将 ER 模 型转换为一种模型表达语言 （ 如转换为 XML 文档 ） ， 然后再用 程序进行解析。 基于模式描述本体的方法引入一个用于描述数据库模式 信息的本体（ 以下称为模式描述本体 ） 来描述关系模式
［12 ］
据迁移过程将关系数据库中的数据转换为本体的实例 。 该方 将每个数据类型也转 法为了保持关系模型中的数据类型信息 ， Astrova 等人 换为本体中的一个概念 。 另外，
［4 ］
将数据库定义
将 DDL 作为系统的输入， 构建表映射 用 SQL 表示出来（ DDL） ， 规则、 列映射规则、 数据类型映射规则、 约束映射规则和行映射 即考察是 规则。该方法同时指出需要对转换的质量进行评价 ， 否能够根据所生成的本体还原原来的数据库 。 基于概念模型的抽取方法是将 ER 模型转换为本体的方 法。由于关系模式一般是从 ER 模型转换而来的， 而在 ER 模 型转换为关系模式时， 一些语义信息会丢失， 如类层次关系等。 所以通过将 ER 模型直接转换为 OWL 本体能够获取更多的语 义信息。 这种方式的输入是设计关系数据库时生成的 ER 模 型或扩展的 ER 模型， 然而 ER 模型往往是一种图形化表示 ， 所 以很难被计算机所理解和操作 。Calvanese 等人