意味の異質性
意味的異質性とは、同じドメインのデータベーススキーマやデータセットが独立した当事者によって開発され、データ値の意味や解釈に差異が生じることです。 [1]構造化データに加え、半構造化データの柔軟性や、文書や非構造化データに適用される様々なタグ付け手法によって、意味的異質性の問題はより複雑になります。意味的異質性は、異種データセットにおける差異の重要な原因の一つです。
しかし、複数のデータソースを相互運用するには、これらの意味的な差異を調整することが不可欠です。意味的な異質性の様々な原因を分解することで、これらの差異を克服するためにデータをどのようにマッピングおよび変換するかを理解するための基礎が得られます。
分類
データセマンティクスに適用された最初の分類体系の一つは、20年以上前にウィリアム・ケントによって考案されたものです。[2]ケントのアプローチは意味の違いよりも構造的なマッピングの問題に重点を置いており、彼はデータ辞書が意味の違いを解決できる可能性があると指摘しました。
最も包括的な分類の一つは、PluempitiwiriyawejとHammerによる「XMLデータソースにおけるセマンティックおよびスキーマティックな異質性の分類スキーム」です。[3]彼らは異質性を3つの大まかなクラスに分類しています。
- 構造的競合は、関連データまたは重複データを表すソースのスキーマに矛盾が見られる場合に発生します。構造的競合は、基礎となるスキーマを比較することで検出できます。構造的競合には、汎化競合、集約競合、内部パスの不一致、項目の欠落、要素の順序、制約と型の不一致、要素型と属性名の間の命名競合などがあります。
- ドメイン競合は、統合されるデータソースのセマンティクスに矛盾が生じた場合に発生します。ドメイン競合は、スキーマに含まれる情報を確認し、基盤となるデータドメインに関する知識を活用することで検出できます。ドメイン競合には、スキーマの不一致、スケールまたは単位、精度、データ表現の矛盾などが含まれます。
- データ競合とは、複数のソースにまたがる類似または関連するデータ値間の不一致を指します。データ競合は、基礎となるソースを比較することによってのみ検出できます。データ競合の種類には、ID値、データの欠落、スペルミス、要素の内容と属性値の間の命名競合などがあります。
さらに、セット要素 (「人口」の不一致) または属性 (「説明」の不一致) の間で不一致または競合が発生する可能性があります。
マイケル・バーグマンはこの図式を拡張し、言語の4番目の主要な明示的カテゴリを追加し、さらに意味的異質性の種類ごとにいくつかの例を追加した結果、約40の異なる潜在的なカテゴリが生まれました[4] 。[5]この表は、ソース間の意味的異質性の可能性のある40のソースを組み合わせたものです。
| クラス | カテゴリ | サブカテゴリ | 例 |
| 取り込みエンコーディングの不一致 | |||
| 取り込みエンコーディング不足 | 適切なエンコーディングで解析されていないためトークンが誤認識される | ||
| クエリのエンコーディングが一致しません | 例えば、検索における ASCIIとUTF-8 | ||
| クエリエンコーディングが不足している | 適切なエンコーディングで解析されていないため、検索トークンが誤認識される | ||
| 言語 | スクリプトの不一致 | パーサーがステミング、空白、ハイフンなどを処理する方法のバリエーション | |
| 構文解析/形態素解析エラー（多数） | アラビア語（右から左）vsロマンス語（左から右） | ||
| 構文エラー（多数） | |||
| セマンティクスエラー（多数） | リバーバンク 対マネーバンク 対ビリヤードバンクショット | ||
| 概念的 | ネーミング | 大文字と小文字の区別 | 大文字vs小文字vsキャメルケース |
| アメリカ合衆国対アメリカ対アメリカ対アンクルサム対グレートサタン | |||
| アメリカ合衆国対米国対米国 | |||
| 同じ名前が複数の概念を指す場合（人を指す名前と本を指す名前など） | |||
| スペルミス | 述べたように | ||
| 一般化 / 専門化 | あるスキーマ内の単一の項目が別のスキーマ内の複数の項目と関連している場合、あるいはその逆の場合。例えば、あるスキーマでは「電話」を参照しているが、別のスキーマには「自宅の電話」「職場の電話」「携帯電話」といった複数の要素がある場合などです。 | ||
| 集約 | 集約内 | 同じ人口が異なる方法で分割されている場合（国勢調査と州の連邦地域、イングランドとグレートブリテンとイギリス、または人名フルネームと名・ミドルネーム・姓など） | |
| 集約間 | 合計またはカウントがセットのメンバーとして含まれている場合に発生する可能性があります | ||
| 内部パスの不一致 | 2 つの異なるスキーマ内の異なるソース ターゲット検索パスから発生する可能性があります (たとえば、要素が異なるレベルの削除である階層構造) | ||
| 不足しているアイテム | 内容の不一致 | 米国の州のリストに、集合列挙の違い、または項目（例えば、米国の領土）を含めるかどうかの違い | |
| 不足しているコンテンツ | 同じ概念に対する2つ以上のデータセット間のスコープ範囲の違い | ||
| 属性リストの不一致 | 2つ以上のデータセット間の属性の完全性の違い | ||
| 欠落した属性 | 同じ属性の2つ以上のデータセット間のスコープ範囲の違い | ||
| アイテムの同等性 | 2 つの型 (クラスまたはセット) が、スコープと参照が同じではないにもかかわらず、同じであると主張される場合 (たとえば、都市ベルリンと 公式都市国家ベルリン) | ||
実際には別人である2人の人物が同一人物であると主張される場合（例：大統領ジョン・F・ケネディと 航空母艦ジョン・F・ケネディ） | |||
| 型の不一致 | 同じアイテムが異なるタイプで特徴付けられる場合（例えば、人物が動物vs人間vs人物 として分類される場合） | ||
| 制約の不一致 | 同じものを参照する属性が異なる基数または非結合アサーションを持つ場合 | ||
| 回路図の矛盾 | 要素値から要素ラベルへのマッピング | 属性名（例えば、HairとFur）が同じ属性を参照している場合、同じ属性名（例えば、HairとHair）が異なる属性スコープを参照している場合（例えば、HairとFur）、またはこれらの属性の値は同じだが実際には異なる属性を参照している場合、あるいは値は異なるが実際には同じ属性と仮定値を参照している場合に発生する可能性のある4つのエラーのうちの1つ。 ここで挙げた他の多くの意味的異質性も、スキーマの不一致の一因となっています 。 | |
| 属性値から要素ラベルへのマッピング | |||
| 要素値から属性ラベルへのマッピング | |||
| 属性値から属性ラベルへのマッピング | |||
| スケールまたは単位 | 測定タイプ | 例えば、メートル法と英国の計測システム、あるいは通貨の 違い | |
| ユニット | 例えば、メートルとセンチメートルとミリメートル の違い | ||
| 精度 | 例えば、あるデータセットでは4.1インチ、別のデータセットでは4.106インチという値 | ||
| プリミティブデータ型 | リテラルと URI とオブジェクト型の使用では混乱が頻繁に発生します | ||
| データ形式 | 小数をピリオドとコンマで区切る、さまざまな日付形式、指数または集計単位（千や百万など）を使用する | ||
| ネーミング | 大文字と小文字の区別 | 大文字vs小文字vsキャメルケース | |
| 同義語 | たとえば、センチメートルとcm | ||
| 頭字語 | 例えば、通貨記号と通貨名 | ||
| 同音異義語 | 同じ名前が複数の属性を指す場合（人を指す名前と本を指す名前など） | ||
| スペルミス | 述べたように | ||
| ID が一致しない、または ID がありません | URIは、実際の不一致だけでなく、名前空間の使用の有無やURIの切り捨てなどによって、特に問題となる可能性がある。 | ||
| 欠損データ | 共通の問題であり、オープンワールドアプローチよりもクローズドワールドアプローチでより深刻である | ||
| 要素の順序 | 集合のメンバーは順序付けされている場合とされていない場合があります。順序付けされている場合、個々のメンバーまたは値の順序は異なる場合があります。 | ||
意味論と統合アプローチの分類に関して、 Shethら[6]は異なるアプローチを採用している。彼らの概念では、意味論を暗黙的、形式的、そして強力な3つの形式に分類している。暗黙的意味論は、大部分に存在するか、容易に抽出できるものである。形式言語は比較的少ないものの、オントロジーやその他の記述論理の形で現れる。強力な（ソフト）意味論は曖昧であり、厳格な集合ベースの割り当てに限定されない。Shethらの主張は、一階述語論理（FOL）や記述論理だけでは、必要な意味論を適切に捉えるには不十分であるという点である。
関連アプリケーション
データの相互運用性に加え、情報技術において意味の異質性の調整が重要な分野には、データマッピング、意味統合、エンタープライズ情報統合など、数多くあります。概念的なデータから実際のデータに至るまで、2つのデータソースを統合すると、視点、語彙、尺度、慣習などにおいて差異が生じます。こうした意味の異質性を明確に考慮することが、情報の統合や相互運用を実現するための一つの手段となります。
わずか20年前、情報技術システムはデータを多様な形式とシステムで表現し、保存していました。インターネットとWebプロトコルは、こうした差異の原因を克服するのに大きく貢献しました。意味上の異質性には多くのカテゴリがありますが、それらはパターン化されており、予測・修正可能です。こうしたパターン化された要因は、依然として存在する意味上の差異を克服するためにどのような作業を行う必要があるかを示しています。
参照
参考文献
- ^ Alon Halevy (2005). 「なぜデータは混在しないのか」ACM Queue 3 ( 8).
- ^ ウィリアム・ケント（1989年2月27日～3月3日）. 「一つの事実の多様な形態」IEEE COMPCON会議録. サンフランシスコ. 13頁.
- ^ Charnyote PluempitiwiriyawejとJoachim Hammer (2000年9月). 「XMLデータソースにおける意味的および図式的異質性の分類スキーム」(PDF) . フロリダ州ゲインズビル: フロリダ大学. 技術報告書 TR00-004.
- ^ MK Bergman (2006年6月6日). 「意味的異質性の源と分類」. AI3:::Adaptive Information . 2014年9月28日閲覧。
- ^ MK Bergman (2014年8月12日). 「Big Structure and Data Interoperability」. AI3:::Adaptive Information . 2014年9月28日閲覧。
- ^ Amit P. Sheth、Cartic Ramakrishnan、Christopher Thomas (2005). 「セマンティックウェブのためのセマンティクス：暗黙的なもの、形式的なもの、そして強力なもの」 .国際セマンティックウェブ・情報システムジャーナル. 1 (1): 1– 18. doi :10.4018/jswis.2005010101.
さらに読む
- 意味的異質性の分類
