网奠定了坚实的基础。关联数据为能够图书馆、高校和学术项目提供更强的跨界搜索和发现数字信息的能力，已成为信息系统、计算机科学、图书情报学甚至是生物医学、社会科学等诸多学科领域研究的热点，被人们视为语义网数据网络技术的核心和关键。
2.2 关联数据的相关技术进展研究
2.2.1关联数据的创建、发布、浏览的相关技术和工具
早期国内外对关联数据的研究主要集中在如何将不同格式的非语义数据类型转换成关联数据即RDF三元组格式进行存储、发布和浏览的问题上。研究的领域一般是和人们生活密切相关的社会公共领域及基础网络信息服务领域。通常需要考虑已有数据的规模、数据的格式、存储的模式、更新的频率等去设计实际的转换方案。一般主要有以下几种方式：
(1)直接创建和发布静态的RDF文件。这种方式比较简单，一般多依赖于用户或兴趣团体手工创建或者使用较为简单的软件进行转换输出。一般只需按照软件的提示进行操作，有的时候可能需要为非信息资源对象设置相应的URI，配置标准的多用途互联网邮件扩展MIME(Multipurpose Internet Mail Extensions)的类型。通常适合数据量较少、对数据规范要求不太严格、不占用较大的服务器空间、只需简单存储或可将较大的文件拆分存储和发布、也不需要经常更新的情况。
[4]
最常见的应用就是发布个人的FOAF文件或者RDF词表等。如FOAF-a-matic和
[5]
FOAFaMaticMark2就是两款简单的创建个人FOAF文件的应用程式，前者是基于JavaScript的普通网页格式，后者是基于桌面工具的应用模式。用户只需要按照给定的项填写自己的名字、邮箱地址以及所认识朋友的名字、邮箱地址或个人主页等，即可快速地创建一个关于自己的FOAF档案，然后通过本地的服务器直接进行发布。也可以使用FOAF公布栏（FOAF Bulletin Board）功能将FOAF档案加入到网页当中，通过FOAFbot进行索引以便用户查询。如果用普通的浏览器去浏览，会直接下载到该foaf.rdf文件，需要用Dreamweaver或者相关的软件程序去打开。如果用语义浏览器或专门的RDF浏览器去浏览，则可以对该RDF文件中可访问的三元组进行连续性的可视化的探查。目前可选用的浏览器主要有Tabluator
[6][7][8]
Extension for Firefox、OpenLink的RDF浏览器和Disco等。以Disco为例，它主要是以一种基于表的布局样式来显示每个三元组的来源图从而提供对来源信息的访问，详细情况会显示在Disco右侧的sources列，见图3。
6
图3 Disco浏览器基本界面
图片来源：http://www4.wiwiss.fu-berlin.de/bizer/ng4j/disco/
（2）将其他类型的数据转换为RDF格式进行存储。如将PDF、Word、Visio、CSV、Excel、BibTex等传统格式的数据转换成RDF格式，可借助于一些RDF化的工具，术语统称为RDFizer。该方法适合于数据格式严格规范、数据量较大但可拆分、数据存储模式相对简单的情况，借助工具能够进行批量转换，减少人工创建所花费的开销，提高转换的效率和准确率。常用的RDFizer主要有以下几种，下载地址见表1：
表1 RDF格式转换工具
工具名称 Aperature Javadoc RDFizer RDF123 Torrent2RDF Filckurl
下载站点
http://aperature.sourceforge.net/
http://simile.mit.edu/wiki/Javadoc RDFizer/ http://rdf123.umbc.edu/
http://www.inf.unideb.hu/～jeszy/rdfizers/torrent2rdf-0.3.zip http://librdf.org/flickcrl/
①Aperature。它是一个即装即用（Out-of-the-box）式的爬虫系统框架，包括iCal、IMAP和文件系统等。它主要用于在多种格式的数据之上进行爬行、抽取和索引等操作，目前支持JPEG、MP3、PDF、Word以及Visio文档等超过20类信息的抽取，并可以帮助科研人员将相应的数据和元数据转换为RDF格式。
②Javadoc RDFizer。该项目由MIT的Simile团队开发，建立了一个doclet程序，对外提供了可调用的doclet API，可以将任何与javadoc兼容的数据格式转换为RDF格式。
③RDF123。该工具是由美国的马兰里大学研究开发，主要用于处理简单电子表格信息，
7
如将那些使用HTML制表标签的文件和使用逗号分隔的CSV格式的文件的数据进行处理，最后以RDF格式输出。
④Torrent2RDF。该软件工具采用java语言编写，可以读取torrent文件或Torrent URI并以RDF格式抽取其相应信息并输出。该软件采用了GNU GPL许可协议，开发人员可以根据自己的需要对其进行灵活的扩展和进行二次开发。
⑤Flickcurl。它是Dave Beckett开源软件开发小组基于C语言实现的一个小型转换工具，主要用于将Flickr数据，如照片元数据、标签和位置等转换为RDF格式。
目前，Open Linked Data项目已经使超过20亿条传统网页上的数据，包括维基百科、图书馆MARC目录等半自动或者自动地转换成了关联数据。世界著名的大型媒体公司，如BBC，纽约时报，也已经把他们的海量数据转换成了关联数据提供了开放下载功能。英国、美国、奥地利、新西兰、挪威等国都已经率先开始筹备政府信息语义网的相关建设工作，目标是把主要的政府信息发布成关联数据，并试图建立起一个规范的可以重用数据的通用协议。 （3）扩展已有API抓取和关联RDF格式的数据。该技术方法通常适合数据量多，数据格式复杂，数据流通性比较快捷的一些项目，主要是搜索引擎或者门户型网站平台等。如Google and Google Base，eBay，Yahoo，Amazon等主流应用平台一般都有自己的API，提供了多样化的查询、检索接口以及多种格式的返回结果(如XML、JSON或Atom)等，造成了一般数据浏览器访问的困难和搜索引擎抓取数据的不便。而利用关联数据可以对这些已有的API进行扩展，并为一些非信息资源分配一定的URI，当以Application/RDF+XML格式进行查询请求时，可以获取到RDF格式的结果数据，以便机器进行自动处理。同时可以通过解析抓取到的RDF中的URI关联到其他外部数据源的数据。目前，像Google、Yahoo等主流搜索引擎等已经能够抓取关联数据，利用关联数据丰富其检索结果和服务。关联数据的应用还有助于增加政府的
[9]
透明度。现在已经可以看到Data.gov网站以关联数据形式整合和可视化政府数据，为公众
[10]
提供服务。GovWILD是Hasso Plattner研究院和IBM的Almaden实验室合作开发的项目，它集成了政治家、政党、政府机构、公司和工业领导人等开放的政府数据，利用关联数据对其进行可视化链接和显示，以揭示并反映隐藏在政府、企业和政治家背后的潜在的利益关系和社交网络。
（4）将关系数据库公开为RDF接口。语义web的主要驱动力之一就是如何将web上的海量关系数据库信息以计算机可处理的方式进行表达。因为，目前关系数据库（RDB）是语义web最大的数据源之一，大多数网站都习惯于使用关系数据库来存储数据。而RDF和OWL都适用于对基于实体-关系（ER）模型的关系数据库中所表达的信息进行建模。目前，已经有多种工具可以用于将关系数据库中的数据公开为虚拟RDF视图，从而作为一个SPARQL端点被用户浏览和访问，并能够进行一定的查询和推理。详细见下表2：
表2 将关系数据库公开为RDF接口的工具
工具名称 D2RQ SquirrelRDF DB2RDF Virtuoso Joseki
下载站点
http://www4.wiwiss.fu-berlin.de/bizer/d2rq/ http://jena.sourceforge.net/SquirrelRDF http://db2rdf.sourceforge.net/ http://virtuoso.openlinksw.com/ http://www.joseki.org/
其中最常用的是D2RQ工具，通过添加一定的约束规则，可以生成和构造一个映射文件，从而将关系数据库中的表和列映射到本体的类和属性上，本项目就是基于D2RQ工具进行开发，将在后面的实验模块对D2RQ作详细的介绍。SquirrelRDF工具主要是通过创建轻量级目录访问协议LDAP（Lightweight Directory Access Protocol）模式和RDF之间的映射，把相应的关系数据库公开以进行SPARQL查询。DB2RDF是一个基于java语言开发，遵循了
8
GPL许可协议的小型转换工具，一般用于将本地的关系数据库转换为可进行SPARQL查询测试的桌面程序。具体应用时，需要使用java -jar \命令，启动程序，在数据量较大的时候，程序运行十分缓慢，因而并不适用于进行服务器端的开发，见图4。Virtuoso是由Openlink软件公司开发的应用程序，它可以处理XML、RDF、ODB和关系数据库存储，以及web服务和应用程序服务器。其中DBpedia知识库的SPARQL端点，就是由Virtuoso提供的，见图5。Joseki是由开发Jena语义web框架的惠普实验室开发的。Joseki构建于Jena的多语言查询引擎ARQ之上，同时支持ARQ、RDQL以及SPARQL等多种查询语言，被认为是目前托管SPARQL端点的最为快捷的方式。 这些工具虽然在具体应用时各有侧重点，但都提供了通用的机制，仅仅需要修改和进行一些配置就可以投入使用，使得将关系数据库快速公开为一个RDF知识库的过程变得相对简单和可行。但对于数据模式比较复杂或者数据模式没有正确定义，亦或者数据库中含有不一致性数据的关系数据库，在将其进行处理并转换为RDF的过程中需要根据实际情况加入额外的处理步骤。
图4 DB2RDF工具界面
9
图5 DBpedia的SPARQL端点 图片来源于：http://dbpedia.org/sparql
2.2.2关联数据的应用、融合、Mashup的相关技术和项目
对关联数据的创建、发布、浏览的相关研究是对关联数据自身基础技术的研究，而如今，随着互联网上关联数据的不断增加，有关的研究已经开始扩展到利用关联数据实现数据网络和合作技术即数据融合技术、语义Web嵌入到个人桌面环境的嵌入技术、Mashup主动服务技术、本体的重组技术、语义自动问答技术、语义搜索引擎技术等方面。同时，关联数据的应用领域也扩展到了化学、生物、医学、教育、科研等领域。对关联数据的应用、融合、Mashup技术的研究是关联数据技术研究提升的一个更高的层次，也是关联数据发展的必然结果。目前，国内外在这一技术领域开展了很多探索性的前沿研究项目，代表性的主要有以下几个：
[11]
（1）OREChem项目。该项目是eScience下关联数据在化学领域的代表性应用，是由化学学者和信息科学家合作开发和实施的。它致力于研究和部署基础设施、服务和应用去促使学术资料在化学界传播的新模式的产生。项目的主要研究内容是开发一个核心数据模型或本体去描述和标示化学科研实体以及它们之间的相互关系，然后根据该数据模型将已有的化学数据关联扩展到各种外部化学数据源，期望建立不同数据提供者之间的联系。最终创建一个化学数据社会网络，从而增强化学数据的结构化检索。
[12]
（2）Bio2RDF项目。该项目主要运用了Sesame的开源三元组存储技术和OWL本体，将一些来自于公共生物学知识库如Kegg、PDB、MGI、HGNC、NCBI的文档可以有效地以一个唯一的URI形式http://bio2rdf.org/namespace:id转换为RDF格式，构建了一个生物学数据和知识组织的Mashup系统。
[13]
（3）Linking Open Drug data项目。该项目的目标是建立一个开放的医药数据自动问答系统（LODD），主要是利用关联数据把来自不同数据源的医药数据关联起来，在此基础上回答一些相关的医学和商业的问题。目前该数据集含有超过8万个RDF三元组以及37万个RDF内部链接，见图6。
10