单一方法是指通过计算关键属性或者邻近对象属性（即语境要素）的相似度来判断两个对象实例是否等同。

（1）属性值相似算法

属性相似算法要求选取的属性具有标识性,即选择关键属性作为计算的依据。目前,常用的属性相似度算法包括字符相似度算法、字符串相似度算法和基于字典相似度算法等。

①字符相似度算法：通过字符的插入、删除和替换等操作将字符串A转化为字符串B,然后利用操作的次数确定两个字符串的相似度,常用的方法^{[ 2]}如下：

sim（s₁,s₂）=1-（1）

其中,tc（s₁,s₂）表示将s₁变换为s₂所需的操作次数,max{ , }取两字符串最大长度。例如：将字符串“labulate”转化为“tabulator”需要进行2次替换和1次插入操作,两者的相似度为0．67（1-3/9）。与基于词根的相似度算法相比,字符相似度算法可以解决数字化或者手工录入过程中个别字符错误等问题,在处理短字符串时准确度较高。为解决缩写问题并提高算法效率,Winkler等^{[ 3, 4]}改进了该算法。当前该算法集成在Silk^{[ 5]}和KnoFuss^{[ 6]}工具中,并在项目LODD^{[ 7]}和LinkedMDB^{[ 8]}中得到应用。

②字符串相似度算法：将字符串切分为词语Token,将两个字符串中共同出现Token占全部Token的比例作为字符串的相似度。该类算法的经典代表是Jaccard,利用字符串中的词语出现频次代表字符串的相似度。计算公式^{[ 9]}如下：

sim（s₁,s₂）=（2）

其中,t表示一个Token单元,w_R（t）表示在数据集R环境下单元t的权重。如“Tim Berners-Lee”和“Berners-Lee, Tim 1955-”以空格和逗号为分隔符,权重统一为1,则相似度为0．67（2/3）。与字符相似度算法相比,该类方法将字符串拆分为Token,不考虑Token的顺序,克服了字符相似度算法中只能按顺序匹配的不足,但存在切分和权重分配的问题。常用的切分分隔符是空格,但在中文环境下需要专业的分词工具。而权重分配目前采用的主要是词频统计及相应的统计模型,虽然关联数据领域统计全局词频存在困难,但KnoFuss依然将之引入了其方法库,同时在数据集2000 U．S． Census in RDF （http：//www．rdfabout．com/demo/census/）与GeoNames创建关联中使用了该方法。

③基于词典相似度算法：借助词典或者词表中的同义词、下义词,将字符串的语义距离作为字符串的相似度。通常是依赖WordNet等词典,计算两个字符串在词表构图中的最短路径。例如比较“New York”与“The Big Apple”借助于词典发现它们是指代美国城市纽约,而不再局限于语法层面的比较。该算法借助于语义词典使对象实例相似度计算更贴近现实,但是词典的选择是难点,词典的覆盖度直接影响该算法的应用范围。

在实际应用中,应结合具体场景调整属性相似度算法。如日期型或数值型属性在计算相似度时,属性完全相等的才是同一对象;而在计算不同属性之间相似度时,了解属性值构建规则十分重要,如RKBPlatform^{[ 10]}采用这种方法实现属性Name与E-mail之间的相似度计算。

（2）图形相似度算法

用关键属性值代表对象实例计算相似度,算法简单,但忽视了邻近对象属性等相关语境信息,具有片面性。为弥补这一缺点,人们提出了对象属性的图形相似度算法,即利用RDF三元组（s,p,o）的图形化概念,限定对象实例s及其属性p构建子图,计算对象属性o的相似度,从而判断s是否等同^{[ 9]}。

如书目数据集1中对象实例“Alexandre Dumas”,它的属性“dc：creator”连结作品“The Count of Monte Cristo”,在另一个数据集2中,可供匹配的对象实例有I₁“Alexandre Dumas, père”和I₂“Alexandre Dumas, fils”。此时,分析“dc：creator”属性连结的邻近对象的相似性,I₁连结“The Count of Monte Cristo”,I₂连结“Lady of the Camellias”。从而确定I₁与“Alexandre Dumas”是等同关系。

图形相似度算法主要考虑的是对象属性的相似度,对相似度值要求极为严格,如DBTune中两部电影虽然名称相似度高,但其导演不同,则这两部电影必然不同,因此该类算法适用于从候选对象实例中挑出最适合结果。MOMA^{[ 11]}框架通过作者与其他人之间的合著统计判断两个姓名描述的人是否为同一个人。Mi等^{[ 12]}根据开放增长的数据环境对该算法进行改进,将每个对象实例表示为节点和关联语义的集合,通过计算集合的相似度得到对象实例的相似度,该算法思路来自Google的PageRank,通过多次迭代逼近两个对象实例的真实的相似度。

属性值相似度算法与图形相似度算法各具特色,但单独使用时,或只考虑自身,或完全丢失自身信息,组合方法则可克服单一方法的武断和不确定性。组合方法就是综合多个属性和相邻对象的相似度,判断对象实例对是否对等。

（1）基本算法聚合

基本算法即单一方法中介绍的各类算法,聚合是指在计算得到多个相似度值之后,将其综合转化为对象实例间的相似度。

①单一属性,多种算法。该类方法选用多个算法计算关键属性值的相似度,得到的多个值采用平均计算或取众数的简单聚合运算得到最终的相似度。基于字符和基于字符串相似度算法在MOMA等多种方法体系中结合使用。如属性值“Chriz Biser”与“Bizer, Chris”,采用单一方法计算的相似度不超过0．5,则先通过字符串Token操作后,针对每个Token再进行字符“Chriz”与“Chris”和“Biser”与“Bizer”的比较,将得到的相似值平均作为对象实例的相似度。

②多个属性,适宜算法。选择对象实例的多个属性,针对每个属性选取合适算法,然后采用平均或加权平均等聚合算法计算得到相似度。该策略在城市资源融合中得到实现和应用^{[ 5]},例如以城市的名称、在Wikipedia中的主页、人口和经纬度4个属性为代表,选取对应的字符相似度（jaroSimilarity）、集合最大相似度（maxSimilarityInSets）和数值相似度（numSimilarity）三种算法计算,但城市名和经纬度两个属性在聚合运算中权重大于人口属性,通过加权平均聚合运算得到相似度。

③属性值与图形相似度相结合。同时计算实例的对象属性和文本属性值的相似度,然后采用加权平均或优先的聚合算法得到标准化的相似度值。该算法在DBTune、BBC^{[ 13]}等项目中应用,如对象实例“apple”通过名称属性比较得到候选对象实例“Apple Inc．”和“apple（fruit）”,同时采用图形相似度,分析“apple”的对象属性“product”指向“iPhone”,与“Apple Inc．”的相似度高,则优先考虑图形相似度的结果作为“apple”与“Apple Inc．”的相似度。

基本算法聚合可根据不同情况选择不同的聚合策略,除了文中提到的聚合算法,常用的还有取最大值法（Max）、取最小值法（Min）、欧几里德距离法（EUCLID）等。Silk工具在收录大量单一算法基础上提供多种组合策略以满足不同需求。

（2）分类模型

基本算法聚合策略适合较简单的属性、图形计算,且需要人工选择属性、算法并配置参数,但复杂属性下的关联创建则需要借用分类模型,即根据策略自动选择当前对象的值属性或对象属性构建特征模型,利用预先标注的关联对象实例训练并生成分类器模型,据此判断输入的对象实例对是否为等同关系。

在该方法中,作为特征的属性选择是关键。Sleeman等^{[ 14]}在创建FOAF对象实例关联关系时即采用该算法。首先,通过统计等方法确定可以作为特征向量的属性,如foaf：name”、“foaf：mbox”、“foaf：msnChatID”、“foaf：knows”等;再根据提供的训练数据集抽取特征向量,构建分类模型的特征空间;基于该特征空间判定输入的实例对是否创建关联。为支持大数据量、复杂计算,Sleeman等选取支持向量机模型（SVM）并取得比较好的分类效果。

分类模型在信息检索等领域有广泛应用,在关联关系创建中引入该方法,可以在某种程度上解决基于少数属性简单判断而造成的不准确问题,可减少人工干预,提高自动化程度。但这类模型共同的特性是需要大量可靠的训练数据,同时,模型本身也存在各自的局限性,实际应用中要根据具体情况进行选择。

该方法只对架构文件进行分析,包括命名空间、元素定义和结构信息,按照映射的粒度分为元素映射和结构映射。

（1）元素映射

元素映射分析的主要对象是架构内容中的名称、描述和命名空间信息等,其中,实体元素还可考虑关键属性信息,属性元素还可考虑数据类型、取值范围等约束信息。

①语言相似度法,即采用文中提到的字符、字符串和基于字典等算法,计算名称、描述、命名空间和关键属性等信息的相似度。如图 1所示,DBpedia与MusicBrainz关于音乐数据的描述都重用了Music Ontology（http：//musicontology．com/）,“Album”和“Single”两个实体元素可直接映射;“musicalWork”与“Release”两个实体元素则依据WordNet词典建立映射;标题属性元素“Title”与“Name”、发布时间属性元素“ReleaseDate”与“Date”等根据其描述信息形成映射关系。Falcons-AO^{[ 20]}利用该思想构建一个映射匹配器,BLOOMS^{[ 21]}则依据Wikipedia分类表针对实体元素构建语义森林,再通过森林的相似度判断映射关系。

图1

	Figure Option ViewDownloadNew Window
	图1 DBpedia与MusicBrainz架构

②约束相似度法,通过分析属性数据类型和取值范围等约束信息帮助判断映射关系。如依据W3C推荐的XML Schema数据类型结构（http：//www．w3．org/TR/xmlschema-2/）,分析“Date”与“gYear”、“gMonth”、“gDay”数据类型之间可能存在的映射关系;依据取值范围相似度分析两个属性元素可能存在的映射关系。由于约束信息设定因人而异,因此约束相似度算法一般不单独使用,仅为其他相似度算法提供候选的映射元素对时使用。

（2）结构映射

元素映射忽略了父类、子类或兄弟邻居等元素及其之间的相互关系,而RDF的架构文件也是一个RDF文件,因此,利用图形相似度算法综合考虑一组实体元素及关系信息,可提高元素映射的准确度,这便是结构映射法。图 1中,DBpedia的“musicalWork”通过“rdfs：subClassOf”链接元素有{Album, Single, Song},而MusicBrainz的“Release”链接元素有{Album, Single, Track}。经过元素映射法已为部分元素建立映射关系,根据图形相似度算法可确定元素“Song”与“Track”的映射关系。结构映射法在Falcons-AO、BLOOMS+^{[ 22]}中得到充分利用。

在分析架构信息同时,增加分析对象实例内容信息,有助于理解架构元素语义,从而提高映射的准确性。按照输入的信息分为对象实例属性值信息分析和对象实例对映射信息分析两种。

（1）对象实例的属性值信息分析

借助自然语言处理和信息检索等技术,统计每一对可能的映射元素对之间的对象实例属性值分布情况以及词频信息等,为元素映射提供语义支持。如“Artist”元素,在DBpedia和MusicBrainz的架构中都得到重用,但是根据二者提供的对象实例统计发现,DBpedia中“Artist”的值域远远大于MusicBrainz,从而否定二者之间的“owl：equivalentClass”关系。该类算法适合作为辅助信息过滤不存在映射的元素对,但对于数据实例较少的数据源判断时,容易出现误差,Autoplex^{[ 19]}工具利用了该方法。

（2）对象实例对映射信息分析

针对两个数据集中对象实例间已有的关联关系,利用机器学习技术提出映射的可能元素对并验证。如DBpedia与MusicBrainz的owl：sameAs关联的对象实例集为“MusicalArtist”与“Artist”实体元素,而第三方BBC中“Artist”对象实例与两者有关联,桥梁作用增加了两个元素描述的对象实例关联数量,假设“MusicalArtist”与“Artist”存在映射,验证则是计算两元素描述的对象实例集合中等同关联的数量比例,计算公式^{[ 23]}如下：

sim（A,B）=overlap（c（A）,c（B））

= ≥t_overlap （3）

若上述不等式成立,则两个架构元素映射关系成立。该类方法利用已有关联或通过第三方可等价转换的对象实例对信息有助于理解架构,支持从语法和语义两个层面实现架构映射,但要求两个数据源中已存在部分关联的对象实例对,同时阈值的设定是关键。工具KnoFuss^{[ 24]}实现了该方法,Par等^{[ 25]}对地理数据本体建立映射时也采用了该方法。此外,利用神经网络等机器学习模型来实现架构映射,该过程与组合方法中的分类模型相似,这里不再详述。