Semantische Heterogenität liegt vor, wenn Datenbankschemata oder Datensätze für denselben Anwendungsbereich von unabhängigen Parteien entwickelt werden, was zu Unterschieden in der Bedeutung und Interpretation der Datenwerte führt. [ 1 ] Neben strukturierten Daten wird das Problem der semantischen Heterogenität durch die Flexibilität semistrukturierter Daten und die verschiedenen Tagging- Methoden, die auf Dokumente oder unstrukturierte Daten angewendet werden, noch verschärft . Semantische Heterogenität ist eine der wichtigsten Ursachen für Unterschiede in heterogenen Datensätzen .

Damit verschiedene Datenquellen miteinander interagieren können, ist es unerlässlich, diese semantischen Unterschiede auszugleichen. Die Analyse der verschiedenen Ursachen semantischer Heterogenitäten bildet die Grundlage dafür, wie Daten abgebildet und transformiert werden können, um diese Unterschiede zu überwinden.

Einstufung

Eines der ersten bekannten Klassifizierungsschemata, das auf die Datensemantik angewendet wurde, stammt von William Kent aus den späten 80er Jahren. [ 2 ] Kents Ansatz befasste sich mehr mit Fragen der strukturellen Abbildung als mit Bedeutungsunterschieden, die seiner Ansicht nach durch Datenwörterbücher potenziell gelöst werden konnten.

Eine der umfassendsten Klassifizierungen stammt von Pluempitiwiriyawej und Hammer, „Classification Scheme for Semantic and Schematic Heterogeneities in XML Data Sources“ [ 3 ] . Sie klassifizieren Heterogenitäten in drei große Klassen:

  • Strukturelle Konflikte entstehen, wenn die Schemata der Quellen, die verwandte oder sich überschneidende Daten repräsentieren, Diskrepanzen aufweisen. Sie lassen sich durch den Vergleich der zugrunde liegenden Schemata erkennen. Zu den strukturellen Konflikten zählen Generalisierungskonflikte, Aggregationskonflikte, Diskrepanzen in internen Pfaden, fehlende Elemente, Probleme mit der Elementreihenfolge, Integritäts- und Typkonflikte sowie Namenskonflikte zwischen Elementtypen und Attributnamen.
  • Domänenkonflikte entstehen, wenn die Semantik der zu integrierenden Datenquellen Diskrepanzen aufweist. Sie lassen sich erkennen, indem man die im Schema enthaltenen Informationen analysiert und Kenntnisse über die zugrunde liegenden Datendomänen nutzt. Zu den Domänenkonflikten zählen Diskrepanzen im Schema, im Maßstab oder der Einheit, in der Genauigkeit und in der Datendarstellung.
  • Datenkonflikte bezeichnen Abweichungen zwischen ähnlichen oder verwandten Datenwerten aus verschiedenen Quellen. Sie lassen sich nur durch den Vergleich der zugrundeliegenden Quellen erkennen. Zu den Datenkonflikten zählen beispielsweise ID-Wert-Konflikte, fehlende Daten, Rechtschreibfehler und Namenskonflikte zwischen Elementinhalten und Attributwerten.

Darüber hinaus können Diskrepanzen oder Konflikte zwischen den Elementen einer Menge (eine „Populations“-Diskrepanz) oder den Attributen (eine „Beschreibungs“-Diskrepanz) auftreten.

Michael Bergman erweiterte dieses Schema um eine vierte explizite Hauptkategorie der Sprache und fügte außerdem Beispiele für jede Art semantischer Heterogenität hinzu, was zu etwa 40 verschiedenen potenziellen Kategorien führte [ 4 ] . [ 5 ] Diese Tabelle zeigt die kombinierten 40 möglichen Quellen semantischer Heterogenitäten über verschiedene Quellen hinweg:

Klasse Kategorie Unterkategorie Beispiele

Sprache

Codierung

Fehler bei der Datenerfassung

Zum Beispiel ASCII vs. UTF-8

Fehlende Datenkodierung Fehlinterpretation von Token aufgrund falscher Kodierung beim Parsen.
Abfragekodierungsfehler Zum Beispiel: ASCII vs. UTF-8 bei der Suche
Fehlende Abfragekodierung Fehlinterpretation von Suchtoken aufgrund falscher Kodierung beim Parsen.
Sprachen Skriptkonflikt Unterschiede in der Art und Weise, wie Parser beispielsweise Stemming, Leerzeichen oder Bindestriche behandeln
Parsing-/Morphologische Analysefehler (viele) Arabische Sprachen (von rechts nach links) vs. Romanische Sprachen (von links nach rechts)
Syntaktische Fehler (viele)

Mehrdeutige Satzbezüge, wie zum Beispiel: Ich bin froh, dass ich ein Mann bin, und Lola auch ( Lola von Ray Davies and the Kinks ).

Semantische Fehler (viele) Flussufer gegen Geldbank gegen Billard - Bandenstoß​ ​
KonzeptionellBenennung Groß-/Kleinschreibung Großbuchstaben vs. Kleinbuchstaben vs. CamelCase

Synonyme

Vereinigte Staaten gegen USA gegen Amerika gegen Onkel Sam gegen den Großen Satan

Akronyme

Vereinigte Staaten gegen USA gegen US

Homonyme

Beispielsweise wenn derselbe Name auf mehr als ein Konzept verweist, etwa Name einer Person vs. Name eines Buches
Rechtschreibfehler Wie bereits erwähnt
Generalisierung / Spezialisierung Wenn einzelne Elemente in einem Schema mit mehreren Elementen in einem anderen Schema verknüpft sind oder umgekehrt. Beispielsweise kann ein Schema auf „Telefon“ verweisen, während das andere Schema mehrere Elemente wie „Festnetztelefon“, „Arbeitstelefon“ und „Mobiltelefon“ enthält.
Aggregation Intra-Aggregation Wenn dieselbe Bevölkerung unterschiedlich unterteilt wird (z. B. Volkszählung vs. Bundesregionen für Bundesstaaten, England vs. Großbritannien vs. Vereinigtes Königreich oder vollständige Personennamen vs. Vorname-Mittelname-Nachname)
Interaggregation Kann auftreten, wenn Summen oder Zählungen als Mengenelemente einbezogen werden.
Diskrepanz im internen Pfad Kann durch unterschiedliche Quell-Ziel-Abrufpfade in zwei verschiedenen Schemata entstehen (z. B. hierarchische Strukturen, in denen die Elemente unterschiedliche Entfernungsebenen darstellen).
Fehlender Gegenstand Inhaltsabweichung Unterschiede in der Mengenzählung oder im Einschluss bzw. Ausschluss von Elementen (z. B. US-Territorien) in einer Liste der US-Bundesstaaten
Fehlender Inhalt Unterschiede im Umfang der Abdeckung zwischen zwei oder mehr Datensätzen für dasselbe Konzept
Diskrepanz in der Attributliste Unterschiede in der Attributvollständigkeit zwischen zwei oder mehr Datensätzen
Fehlendes Attribut Unterschiede im Umfang der Abdeckung zwischen zwei oder mehr Datensätzen für dasselbe Attribut
Artikeläquivalenz

Wenn zwei Typen (Klassen oder Mengen) als gleich bezeichnet werden, obwohl der Geltungsbereich und die Referenz nicht übereinstimmen (zum Beispiel Berlin die Stadt vs. Berlin der offizielle Stadtstaat).

Wenn zwei Personen fälschlicherweise als gleich bezeichnet werden, obwohl sie tatsächlich verschieden sind (zum Beispiel John F. Kennedy, der Präsident, im Gegensatz zu John F. Kennedy, dem Flugzeugträger).

Typenkonflikt Wenn ein und dasselbe Objekt durch verschiedene Typen charakterisiert wird, z. B. eine Person als Tier , Mensch oder Person kategorisiert wird
Nichtübereinstimmung der Nebenbedingungen Wenn Attribute, die sich auf dasselbe beziehen, unterschiedliche Kardinalitäten oder Disjunktheitsaussagen aufweisen

Domain

Schematische Abweichung Zuordnung von Elementwert zu Elementbezeichnung Einer von vier Fehlern, die auftreten können, wenn Attributnamen (z. B. „Haar“ vs. „ Fell“) sich auf dasselbe Attribut beziehen oder wenn gleiche Attributnamen (z. B. „Haar“ vs. „Haar“) sich auf unterschiedliche Attributbereiche (z. B. „Haar“ vs. „ Fell “) beziehen oder wenn die Werte dieser Attribute zwar gleich sind, sich aber auf unterschiedliche tatsächliche Attribute beziehen oder wenn die Werte zwar unterschiedlich sind, sich aber auf dasselbe Attribut und denselben mutmaßlichen Wert beziehen. Viele der anderen hier beschriebenen semantischen Heterogenitäten tragen ebenfalls zu Schemaabweichungen bei.
Zuordnung von Attributwerten zu Elementbezeichnungen
Zuordnung von Elementwert zu Attributbezeichnung
Zuordnung von Attributwert zu Attributbezeichnung
Maßstab oder Einheiten Messart Unterschiede beispielsweise zwischen dem metrischen und dem englischen Maßsystem oder Währungen
Einheiten Unterschiede, beispielsweise in Metern , Zentimetern und Millimetern
Präzision Beispielsweise ein Wert von 4,1 Zoll in einem Datensatz gegenüber 4,106 Zoll in einem anderen Datensatz.

Datendarstellung

Primitiver Datentyp

Verwirrung entsteht oft bei der Verwendung von Literalen , URIs und Objekttypen.

Datenformat Dezimaltrennzeichen durch Punkt oder Komma; verschiedene Datumsformate; Verwendung von Exponenten oder aggregierten Einheiten (wie Tausend oder Millionen)

Daten

Benennung Groß-/Kleinschreibung Großbuchstaben vs. Kleinbuchstaben vs. CamelCase
Synonyme Zum Beispiel Zentimeter vs. cm
Akronyme Zum Beispiel Währungssymbole vs. Währungsnamen
Homonyme Beispielsweise wenn derselbe Name auf mehr als ein Attribut verweist, wie etwa „Name“ für eine Person vs. „ Name“ für ein Buch
Rechtschreibfehler Wie bereits erwähnt
ID-Abweichung oder fehlende ID URIs können hier ein besonderes Problem darstellen, und zwar aufgrund tatsächlicher Diskrepanzen, aber auch aufgrund der Verwendung oder Nichtverwendung von Namensräumen und abgeschnittener URIs.
Fehlende Daten

Ein häufiges Problem, das bei geschlossenen Welten stärker ausgeprägt ist als bei offenen Welten.

Elementreihenfolge Die Elemente einer Menge können geordnet oder ungeordnet sein, und wenn sie geordnet sind, können sich die Sequenzen der einzelnen Elemente oder Werte unterscheiden.

Einen anderen Ansatz zur Klassifizierung von Semantik und Integrationsansätzen verfolgen Sheth et al. [ 6 ]. Ihrem Konzept zufolge unterteilen sie Semantik in drei Formen: implizite, formale und mächtige Semantik. Implizite Semantik ist entweder weitgehend vorhanden oder leicht extrahierbar; formale Sprachen, obwohl relativ selten, treten in Form von Ontologien oder anderen Beschreibungslogiken auf ; und mächtige (weiche) Semantik ist unscharf und nicht auf starre mengenbasierte Zuordnungen beschränkt. Sheth et al. argumentieren, dass Prädikatenlogik erster Stufe (FOL) oder Beschreibungslogik allein nicht ausreicht, um die benötigte Semantik adäquat zu erfassen.

Relevante Anwendungen

Neben der Dateninteroperabilität zählen Datenmapping , semantische Integration und die Integration von Unternehmensinformationen zu den relevanten Bereichen der Informationstechnologie , die auf dem Ausgleich semantischer Heterogenitäten beruhen . Vom Konzept bis zu den tatsächlichen Daten bestehen Unterschiede in Perspektiven, Vokabularen, Messgrößen und Konventionen, sobald zwei Datenquellen zusammengeführt werden. Die explizite Berücksichtigung dieser semantischen Heterogenitäten ist ein Weg, um die Integration oder Interoperabilität von Informationen zu erreichen.

Noch vor zwanzig Jahren wurden Daten in einer Vielzahl von Formaten und Systemen der Informationstechnologie dargestellt und gespeichert. Das Internet und die Webprotokolle haben viel dazu beigetragen, diese Unterschiede zu verringern. Obwohl es zahlreiche Kategorien semantischer Heterogenität gibt, lassen sich diese Kategorien auch strukturell erkennen und können vorhergesehen und korrigiert werden. Diese strukturell erkennbaren Unterschiede geben Aufschluss darüber, welche Maßnahmen erforderlich sind, um verbleibende semantische Unterschiede zu beseitigen.

Siehe auch

Referenzen

  1. ^ Alon Halevy (2005). „Warum sich Ihre Daten nicht vermischen lassen“ . ACM Queue . 3 (8).
  2. ^ William Kent (27. Februar – 3. März 1989). Die vielen Formen eines einzigen Faktums . Tagungsband der IEEE COMPCON. San Francisco. 13 S.
  3. ^ Charnyote Pluempitiwiriyawej und Joachim Hammer (September 2000). „Ein Klassifizierungsschema für semantische und schematische Heterogenitäten in XML-Datenquellen“ (PDF) . Gainesville, Florida: University of Florida. Technischer Bericht TR00-004.
  4. ^ MK Bergman (6. Juni 2006). „Quellen und Klassifizierung semantischer Heterogenitäten“ . AI3:::Adaptive Information . Abgerufen am 28. September 2014 .
  5. ^ MK Bergman (12. August 2014). „Große Strukturen und Dateninteroperabilität“ . AI3:::Adaptive Information . Abgerufen am 28. September 2014 .
  6. ^ Amit P. Sheth; Cartic Ramakrishnan; Christopher Thomas (2005). „Semantik für das semantische Web: Das Implizite, das Formale und das Leistungsfähige“ . International Journal on Semantic Web and Information Systems . 1 (1): 1–18 . doi : 10.4018/jswis.2005010101 .

Weiterführende Literatur