DC元数据组织提出的核心元数据词汇, 通常指DC。从1995年起, 原始的数据集包含15个广义定义的元素仍在使用。核心元素没有具体的使用范围限制, 使用对象可任意取值 (即任何客体都可以作为适用对象)。这些核心元素已经被扩展、提炼并且加入了新的元素。扩展的词汇表指“DCMI元数据术语”, 包括55个属性 (涵盖了核心元数据, 增加了其他元素和元素限定)。

目前, DCMI组织认为DC核心元素已经过时, 应优先使用DCMI元数据术语^{[ 15]}。这两种元素有不同的域名。核心元素集往往用dc作为前缀, 而采用dct (或determs)作为新出现的DCMI元素集的前缀。

DCMI元数据溯源任务工作组 (DCMI Metadata Provenance Task Group)创立于2009年, 其工作目标是定义一个允许构建描述的陈述或描述集断言的应用大纲。该应用大纲应当建立一个所需的数据元素共享的模型以便圆满描述元数据表达的集合, 来集中导入、访问、使用和发布所述事实的有关质量、权力、进度安排、数据源类型、信任情况等^{[ 15]}。

由于元数据溯源信息本身是元数据, 它应当可以类似的方式再度发布并且配合使用元数据陈述或其描述的元数据集。任务工作组也负责创建使用说明, 介绍以足够鲁棒的方式链接“内容”元数据集合与其溯源元数据, 以避免多次重复的发布过程。

该工作组于2012年12月11日发布工作草案^{[ 15]}, 将DCMI元素集与PROV进行映射, 将DCMI元数据术语分为描述性元数据和溯源性元数据, 如表1所示:

表1

表1

表1 DCMI元数据术语的分类 分类 子分类 术语 描述 性元 数据 abstract, accessRights, accrualMethod, accrualPeriodicity, accrualPolicy, alternative, audience, bibliographicCitation, conformsTo, coverage, description, educationLevel, extent, hasPart, isPartOf, format, identifier, instructionalMethod, isRequiredBy, language, mediator, medium, relation, requires, spatial, subject, tableOfContents, temporal, title, type 溯源 元数 据 Who contributor, creator, publisher, rightsHolder When available, created, date, dateAccepted, dateCopyrighted, dateSubmitted, issued, modified, valid How isVersionOf, hasVersion, isFormatOf, hasFormat, license, references, isReferencedBy, replaces, isReplacedBy, rights, source

表1 DCMI元数据术语的分类

表1中没有列入一个特殊的术语:Provenance。这一术语被定义为“自创建以来资源的所有权和保管权方面状态的任何变化, 对于真实性、完整性和解释具有重大意义”。这一定义与传统的艺术作品溯源的定义一致, 尽管与溯源相关, 但可能与大多数的具体指明资源溯源某一方面的DCMI元数据术语重合, 因而未被列入。

OPM溯源模型的提出最初是针对科学工作流, W3C选择这一模型作为指定的标准模型^{[ 16]}, 并将其他模型 (如:针对关联数据的Provenance Vocabulary模型)与它进行了映射。选择OPM的动机是:

(1)这是一个包含了溯源各个方面的通用的和广义的模型;

(2)它经过多年持续发展, 代表了业内的努力, 经过多次讨论、实践应用和多个版本修改;

(3)许多团队 (包括)正在或已经将自己的词汇与OPM映射。

图1

	Figure Option ViewDownloadNew Window
	图1 OPM标注图例[ 16]

OPM标注如图1所示, 主要由三个基本概念构成, 即 Artifact (what things happen to)、Process (things happening)和Agent (what controls things happening)。与此三个概念相关的属性包括:used (Role) 属性说明处理过程中使用了哪些状态实体, was generated by (Role)属性说明某个状态实体的产生是由哪个处理引起的, 两者是互逆的关系; was controlled by (Role)属性说明该处理被哪个代理实体控制; was derived from属性说明状态实体之间的关系; was triggered by属性说明处理之间的因果关系。

OPM这一溯源模型的设计主要基于以下需求:通过共享的溯源模型兼容层, 允许溯源信息在不同的系统之间交换; 允许开发者创建和共享操作在这一溯源模型下的工具; 以周密的、与技术无关的方式定义溯源; 支持任何“事物”的数字化溯源表达, 无论它是否由计算机系统产生; 允许多种层次上的描述共存; 定义一个规则的核心集合, 该集合用于识别基于溯源表达的有效推理。

OPM-O^{[ 10]}定义了OPM中的主要概念, 能够表达比较复杂的溯源关系, 如表2所示:

Hartig等^{[ 11]}提出将具有质量概念的关联数据发布于网上, 将溯源信息集成到关联数据中, 并解释了如何利用这些信息查找过时的信息, 并提出建议, 即:将关联数据发布到Web时以相同的方式生成关联数据的溯源信息, 提出一个词汇表Provenance Vocabulary^{[ 11]},

表2

表2

表2 OPM本体的类和属性 类 属性 Avalue, Account, Annotable, Annotation, Edge, Entity, EventEdge, Node, OPMGraph, OTime, Property, Role, Used, WasControlledBy, WasDerivedFrom, WasGeneratedBy, WasTriggeredBy account, annotation, avalue, cause, causeUsed, causeWasControlledBy, causeWasDerivedFrom, causeWasGeneratedBy, cause WasTriggeredBy, content, datapropertyAbbreviation, effect, effectInverse, effectUsed, ffectUsedInverse, effectWasControlledBy, effectWasControlledByInverse, effectWasDerivedFrom, effectWasDerivedFromInverse, effectWasGeneratedBy, effectWasGeneratedByInverse, effectWasTriggeredBy, effectWasTriggeredByInverse, encoding, endTime, exactlyAt, hasAccount, hasAgent, hasArtifact, hasConstituent, hasDependency, hasProcess, key, label, noEarlierThan, noLaterThan, pname, profile, property, role, startTime, time, type, usedStar, value, wasDerivedFromStar, wasGeneratedByStar

表2 OPM本体的类和属性

基于该词表, 发布者可以描述数据溯源。在获取溯源词汇表中的元数据后, 数据集的溯源信息存储在VoID表中, VoID表基于二维:数据创建和数据访问。

Provenance Vocabulary由三部分组成:通用词汇、数据创建词汇和数据访问词汇。通用词汇的类是Actor (执行者)、Execution (执行)、Artifact (执行结果)、DataItem (数据条目, 是执行结果的子类)、File (文件, 也是执行结果的子类)等, 属性包括 yieldedBy (由谁产生)、performedBy (由谁执行)、performedAt (在何时执行)、operatedBy (由谁执行)等。使用通用词汇, 可以描述溯源信息如:Artifact (某个执行结果)是一个Execution而yieldedBy, 并且performedAt某一时间performedBy一个Actor。数据创建类是DataCreation、CreationGuideline, 属性是CreatedBy、usedGuideline、usedData等。数据访问类包括DataPublisher、DataProvidingService、DataAccess, 属性是usedBy、retrievedBy、accessedService和accessedResource。

VoID (Vocabulary of Interlinked Datasets)^{[ 12]}是一个 RDF Schema 词表, 是描述关联数据集的元数据, 作为关联数据集和用户 (人或机器)之间的桥梁, 它包含数据发现、数据目录和数据存档, 用于帮助用户发现如 DBpedia这样的海量关联数据集中的可用信息。VoID本身不是用于起源信息描述的, 但却是数据集的起源信息元数据表达和存储的基础。

VoID中有两个核心类, 其中最基本的概念是dataset。一个dataset是由一个发布者发布、维护和组合的RDF三元组集。RDF图是纯粹的数学结构, 与RDF图不同, 术语dataset具有社会的维度:把一个数据集看作是有一定意义的三元组集合, 它有一定的主题, 来源于特定的资源或处理, 完成某一项服务或由某个特定管理员组合的集合。而且, 一般而言, 一个数据集可以在网上通过可解析的HTTP URIs或一个SPARQL Endpoint访问, 它包含足够多的三元组, 具有简明而综合的意义。

由于大多数的数据集描述了定义好的实体集, 因此数据集也可以看作是某些实体集的描述集合, 它们通常共享一个共同的URI前缀 (如:http://dbpedia.org/resource/)。

Linkset是两个数据集之间RDF链接的集合。Linkset是RDF三元组集合, 该三元组所有的主语在一个集合, 所有的宾语在另外的集合, 即主语和宾语位于不同的集合。RDF链接通常具有owl:sameAs属性 (谓语), 但是其他任何属性也可以成为RDF链接的谓语。VoID:Linkset是 VoID:Dataset的子集。

Omitola等^{[ 13]}讨论了将溯源信息应用到关联数据的问题并定义了VoIDP (Vocabulary of Interlinked Datasets Provenance)词汇表。VoIDP是一个轻量级的溯源词汇表, 它是VoID词汇表的延伸, 在表达和存储上均沿用了VoID的方式, 可使发布者在发布时添加溯源元数据信息、描述其关联数据集的起源信息。VoIDP可以用来具体指明VoID文档中的溯源事件, 也可以单独使用具体指明数据条目中的溯源事件。VoIDP涉及的类和属性如表3所示:

表3

表3

表3 VoIDP的类与属性[ 13] 分类 词汇 含义 类 ProvenanceEvent 通用的类, 用来具体指明数据集哪个条目进 行溯源。它是数据条目列表用于数据溯源 的容器类。 属性 actor 指某个溯源事件中的角色、机构、软件或处 理后的数据。 certification 如果数据集经过了签名, 该属性包含签名的 元素。这是非常重要的 证明数据集起源的元素,因为数据集在变化 过程中会逐步分解开来。 contact 具体指明人们查询这一数据集时应当联系谁。 item 具体指明数据溯源中数据条目的来源特征。 processType 具体指明转化类型或执行原始条目的转化 步骤。例如:转化可能是由于一些脚本正在 原始数据上运行。 resultingDataset 数据条目溯源事件的结果数据集。 sourceDataset 数据条目溯源事件的来源数据集。

表3 VoIDP的类与属性[ 13]

众多的词表研究形成了词表的海洋, W3C除了讨论模型的映射之外, 正在讨论形成一个概要的溯源本体:PROV本体 (即PROV-O)。PROV本体定义了使用W3C OWL2 网络本体语言的PROV数据模型 (PROV Data Model)的规范模型。该规范描述了组成PROV本体的类、属性以及用户权限限定集。该本体规范提供了在不同领域中使用PROV本体表达、交换和整合溯源信息的起源应用的实施基础。

PROV本体类和属性不仅被定义为能直接用来表示起源信息, 而且能够专门用于各个领域内的特殊应用起源细节的建模。因此, PROV本体有望直接应用, 同时作为创建特定领域起源本体的参考模型, 并且为互操作的起源建模奠定基础。

依照所需要以及想要在其起源信息中包含多少细节, PROV-O用户可能只需要用到整个本体的一部分。据此, 将术语分为三类:起点术语、扩展术语、修饰性术语, 以渐增的方式引入本体。

起点的类和属性是其余两个本体的基础, 这些术语用来创建简单的起源描述。扩展的类和属性提供与起点本体建立相互关系的类和属性。与上述起点本体的类与属性的应用相似, 扩展的类和属性大多为上述类与属性的子类和子属性。修饰性类与本体提供了与上述两类本体属性的二元关系 (即非此即彼的关系)。尽管直接以二元断言的形式应用上述两类本体, 这类本体中的术语的应用采取了与上述两类本体不同的模式。该类本体的术语用来提供二元关系的附加属性, 该模式允许用户提供前两类本体中所没有描述的详尽细节。