本体驱动ETL过程的设计研究
摘 要：针对建立数据仓库时数据源存在结构多样性和语义异质性的问题，提出了本体驱动ETL过程的设计方法。通过元数据抽象以及语义建立本体，并运用OWL实现本体；再根据局部本体与全局本体之间的关系建立本体映射；最后运用本体映射和本体推理驱动ETL过程。该方法能有效解决数据源异构问题，并实现ETL过程的部分自动化。
关键词：ETL；OWL；本体
随着数据挖掘技术的不断发展，数据仓库已经能够有效地将数据集成到结构一致的数据存储环境中，从而使分散、不一致的操作数据转换为方便查询和分析所需的信息。但由于数据源具有异构性，企业需要一个能够从所有平台和环境中抽取数据，再将数据转换后加入目标数据仓库的高效处理过程，这个过程就是数据的抽取、转换、装载，即ETL（Extract-Transform-Load）。
数据源异构问题主要表现在：（1）结构的多样性，如不同的数据库，不同的数据类型和不同的概要设计等；（2）语义异质性，这包括不同的命名定义和不同的表示格式[1]。
基于传统的XML元数据编码方法的ETL过程已经不能很好地解决数据源异构问题。首先，XML在处理元数据语义上存在两个问题[2]：(1)同一概念有多种词汇表示;(2)同一个词有多种含义(概念)。因此XML无法对元数据进行准确的描述，这会直接影响ETL过程的效果。其次，必要的转换和内部模式映射依旧依赖手工操作，这不仅费时而且还容易出错。
为此，本文提出了一种本体驱动ETL过程的设计方法。
1 ETL和本体论
1.1 ETL概念
ETL是负责将数据从源加载到目标数据仓库的过程，也是构建数据仓库的重要环节。ETL包括以下三个过程[3]：(1)抽取，数据抽取是捕获数据源的过程，即将数据从各种原始的业务系统中读取出来，这是所有工作的前提。(2)转换，按照预先设计的规则将抽取得到的数据进行转换、清洗，处理一些冗余、歧义、不完整、违反业务规则的数据，统一数据的粒度，使本来异构的数据格式统一起来。(3)装载，将转换后的数据按照计划增量全部导入到数据仓库中。
ETL作为DW的核心和灵魂，大约占整个DW项目60%～80%的时间。在现实应用中ETL的执行效率往往成为实施DW项目的瓶颈，而ETL规则的设计和实施又是其中工作量最大的部分。
1.2 本体论和OWL
Ontology概念起源于哲学领域，即“对世界上客观存在物的系统描述”。但其明确定义是在1991年由Neches[4]等人引入人工智能领域。其后在1993年Gruber和1997年Borst也给出了Ontology的定义。直到1998年Studer[5]等人在前人基础上给出了较为广泛接受的概念，即“Ontology是共享概念模型的明确的形式化规范说明”，并指出该定义包含四层含义：概念模型(conceptualization)、明确(explicit)、形式化(formal)和共享(share)。此外2001年Hendler[6]也试图作出解释。
W3C为本体的开发提供了一种网络本体语言OWL[7]（Web Ontology Language），该语言包含了三种表达能力依次增强的子语言，即OWL Lite、OWL DL和OWL Full。OWL Lite支持只需要一个分类层次和简单约束的用户；OWL DL 支持需要最强表达能力的推理系统的用户，且这个推理系统必须确保计算的完全性和可判定性，OWL DL包括了OWL语言的所有语言成分，但使用时必须符合一定的约束，受到一定的限制；OWL Full支持那些不需要可计算保证的，但能在完全自由的RDF上进行最强描述的用户，包含OWL的全部语言成分并取消了OWL DL中的限制。
相比于传统XML，OWL有更丰富的建模原语，能够表达语义并描述复杂逻辑关系，可以解决XML无法对元数据进行准确描述的问题。而且本体语言还可以通过建立本体映射，并运用本体推理来实现部分必要转换和内部模式映射的自动化。因此引入本体驱动ETL过程能有效地解决数据源异构问题，并实现ETL过程的部分自动化。
1.3 本体驱动ETL的一般步骤
