基于眾源數(shù)據(jù)的地理知識(shí)存儲(chǔ)方法研究

楊波，趙英俊

（核工業(yè)北京地質(zhì)研究院遙感信息與圖像分析技術(shù)國(guó)防科技重點(diǎn)實(shí)驗(yàn)室，北京 100029）

在眾源數(shù)據(jù)中，數(shù)據(jù)的收集和管理是眾源數(shù)據(jù)應(yīng)用的基礎(chǔ)。隨著日常需求量的變化，以單一文件來(lái)收集與管理眾源地理知識(shí)已經(jīng)無(wú)法滿足地理信息應(yīng)用需求。目前眾源數(shù)據(jù)主要利用數(shù)據(jù)庫(kù)技術(shù)進(jìn)行存儲(chǔ)管理。但是，眾源數(shù)據(jù)的地理知識(shí)的數(shù)據(jù)節(jié)點(diǎn)和其屬性關(guān)系的復(fù)雜性，造成經(jīng)典關(guān)系數(shù)據(jù)庫(kù)無(wú)法滿足對(duì)眾源地理知識(shí)進(jìn)行存儲(chǔ)的場(chǎng)景需求。因此，本次研究以核電站場(chǎng)景為例，探究核電站眾源地理知識(shí)的存儲(chǔ)方法。為了更好地進(jìn)行三元組地理數(shù)據(jù)的存儲(chǔ)，筆者查閱了相關(guān)研究文獻(xiàn)，發(fā)現(xiàn)，當(dāng)前主流方法是利用圖數(shù)據(jù)庫(kù)的方法對(duì)地理知識(shí)數(shù)據(jù)進(jìn)行存儲(chǔ)［1-4］。本研究首先分析核電站圖數(shù)據(jù)模型和圖查詢語(yǔ)言等模型設(shè)計(jì)原理，詳細(xì)分析了如何利用各種主流知識(shí)圖譜數(shù)據(jù)庫(kù)構(gòu)建地理知識(shí)圖譜，包括基于關(guān)系數(shù)據(jù)庫(kù)的存儲(chǔ)方案、面向資源描述框架（Resource Description Framework，RDF）的三元組存儲(chǔ)結(jié)構(gòu)和知識(shí)圖數(shù)據(jù)庫(kù)。其次以圖數(shù)據(jù)庫(kù)Neo4j為例設(shè)計(jì)核電站圖模型數(shù)據(jù)的底層存儲(chǔ)原理，同時(shí)梳理圖數(shù)據(jù)索引和查詢處理等關(guān)鍵技術(shù)［5］。最后，以Neo4j為例，針對(duì)知識(shí)圖譜數(shù)據(jù)庫(kù)開源工具進(jìn)行眾源地理信息的實(shí)踐，數(shù)據(jù)結(jié)果與技術(shù)流程可利用于地理信息領(lǐng)域。

1 眾源數(shù)據(jù)知識(shí)模型

從數(shù)據(jù)模型角度來(lái)看，知識(shí)圖譜本質(zhì)上是一種圖數(shù)據(jù)［6-9］。不同領(lǐng)域的知識(shí)圖譜均需遵循相應(yīng)的數(shù)據(jù)模型。往往一個(gè)數(shù)據(jù)模型的生命力要看其數(shù)學(xué)基礎(chǔ)的強(qiáng)弱，關(guān)系模型長(zhǎng)盛不衰的一個(gè)重要原因是其數(shù)學(xué)基礎(chǔ)為關(guān)系代數(shù)。知識(shí)圖譜的初始發(fā)展來(lái)自數(shù)學(xué)經(jīng)典圖論理論，在圖論中，圖是二元組G=( )V，E，其中，V是節(jié)點(diǎn)集合，E是邊集合。圖論認(rèn)為客觀現(xiàn)實(shí)可以用實(shí)體及其屬性集合來(lái)抽取，而眾源數(shù)據(jù)的知識(shí)模型也因此發(fā)展而來(lái)。

1.1 資源描述框架

RDF是萬(wàn)維網(wǎng)聯(lián)盟（World Wide Web Consortium，W3C）官方認(rèn)證的W3C指定的知識(shí)描述眾源數(shù)據(jù)知識(shí)模型。在RDF三元組集合中，單一的眾源事件信息都配有一個(gè)身份信息。事件信息的抽取方法是用三元組的形式進(jìn)行抽取，三元組模型的抽取結(jié)構(gòu)是(s，p，o)［10-11］。其中，s是主語(yǔ)，p是謂語(yǔ)，o是賓語(yǔ)。(s，p，o)表示知識(shí)s與知識(shí)o之間具有關(guān)聯(lián)p，或表示知識(shí)s具有屬性p且其結(jié)果為o。

圖1所示是核電站員工的基于眾源數(shù)據(jù)的知識(shí)圖譜。其中，有運(yùn)行二部的張某、李某與運(yùn)行三部的趙某、王某4名研究人員。張某、李某來(lái)自運(yùn)行二部，屬同事關(guān)系。趙某、王某來(lái)自運(yùn)行三部，也屬同事關(guān)系，且李某與趙某屬多元關(guān)系。他們4人共同參與了運(yùn)營(yíng)管理和實(shí)驗(yàn)2個(gè)項(xiàng)目，其中，實(shí)驗(yàn)項(xiàng)目［12］是屬于運(yùn)營(yíng)管理項(xiàng)目。由于受本文內(nèi)容的限制，只做簡(jiǎn)要的方法建設(shè)，現(xiàn)實(shí)中的人員與項(xiàng)目?jī)?nèi)容節(jié)點(diǎn)與屬性的眾源知識(shí)遠(yuǎn)比圖中所示的復(fù)雜度高。

值得注意的是，RDF本身的節(jié)點(diǎn)和屬性并無(wú)元數(shù)據(jù)信息。各類節(jié)點(diǎn)及屬性的表示方式如圖1中實(shí)線四邊形，即圖中的矩形。邊上的屬性存儲(chǔ)方法表示起來(lái)稍顯繁瑣，在眾源數(shù)據(jù)的表示過(guò)程中，通過(guò)抽象一類總節(jié)點(diǎn)本體［13］來(lái)對(duì)地理實(shí)體進(jìn)行統(tǒng)稱。如在圖2中，通過(guò)設(shè)計(jì)超節(jié)點(diǎn)ex：參與實(shí)例類（ex：zhang，參與，ex：operation）來(lái)實(shí)現(xiàn)節(jié)點(diǎn)屬性的表達(dá)，該節(jié)點(diǎn)通過(guò)RDF內(nèi)置屬性rdf：主語(yǔ)、rdf：謂語(yǔ)和rdf：賓語(yǔ)進(jìn)行眾源地理知識(shí)的內(nèi)部建模，其中實(shí)例（ex：參與，權(quán)重，0.4）就實(shí)現(xiàn)了為原三元組增加邊屬性的效果。

圖1 A廠眾源知識(shí)Fig.1 Crowdsourcing data of A factory

圖2 眾源知識(shí)中邊屬性的表示Fig.2 Representation of edge attributes in RDF graph

1.2 屬性知識(shí)建模

屬性知識(shí)可以說(shuō)是目前被圖數(shù)據(jù)庫(kù)業(yè)界采納最廣的一種圖數(shù)據(jù)模型。屬性知識(shí)由節(jié)點(diǎn)集和邊集組成，且滿足如下性質(zhì)：

（1）每個(gè)節(jié)點(diǎn)具有唯一的id；

（2）每個(gè)節(jié)點(diǎn)具有若干條出邊；

（3）每個(gè)節(jié)點(diǎn)具有若干條入邊；

（4）每個(gè)節(jié)點(diǎn)具有一組屬性，每個(gè)屬性是一個(gè)鍵值對(duì)；

（5）每條邊具有唯一的id；

（6）每條邊具有一個(gè)頭節(jié)點(diǎn)；

（7）每條邊具有一個(gè)尾節(jié)點(diǎn)；

（8）每條邊具有一個(gè)標(biāo)簽，表示聯(lián)系；

（9）每條邊具有一組屬性，每個(gè)屬性是一個(gè)鍵值對(duì)。

圖3的每個(gè)節(jié)點(diǎn)和每條邊均有id，遵照屬性知識(shí)的要素，節(jié)點(diǎn)1的出邊集合為｛邊11，邊18｝，入邊集合為｛邊10，邊15｝，屬性集合為｛姓名=趙某，年齡=48，部門=運(yùn)行三部｝；邊11的頭節(jié)點(diǎn)是節(jié)點(diǎn)5，尾節(jié)點(diǎn)是節(jié)點(diǎn)1，標(biāo)簽是“參與”，屬性集合為｛權(quán)重=0.4｝。

圖3 屬性知識(shí)示例Fig.3 Example of property graph

2 眾源知識(shí)存儲(chǔ)方法

為了對(duì)眾源數(shù)據(jù)進(jìn)行有效存儲(chǔ)和管理，調(diào)研發(fā)現(xiàn)，眾源數(shù)據(jù)管理方法有三種類型，關(guān)系型、三元組型及原生圖數(shù)據(jù)庫(kù)型，通過(guò)文獻(xiàn)調(diào)研和核電站數(shù)據(jù)實(shí)驗(yàn)發(fā)現(xiàn)，第三種方法最適合本次研究?jī)?nèi)容。其中，關(guān)系數(shù)據(jù)庫(kù)擁有40多年的發(fā)展歷史，從理論到實(shí)踐有著一整套的成熟體系［14］。數(shù)據(jù)庫(kù)體系從層次數(shù)據(jù)庫(kù)到關(guān)系數(shù)據(jù)庫(kù)轉(zhuǎn)變，這也帶來(lái)了一系列商業(yè)數(shù)據(jù)庫(kù)的誕生與發(fā)展［15］。以此類推，知識(shí)型數(shù)據(jù)管理方法的誕生也催生了一類知識(shí)型商業(yè)數(shù)據(jù)管理與存儲(chǔ)產(chǎn)品。因此，本此研究核心部分將要利用知識(shí)型數(shù)據(jù)的管理及存儲(chǔ)方法對(duì)眾源數(shù)據(jù)進(jìn)行有效的收集和管理。為此，構(gòu)建了眾源數(shù)據(jù)的知識(shí)管理方法、橫向存儲(chǔ)方法、屬性存儲(chǔ)方法、縱向存儲(chǔ)方法、多重查詢方法以及混合管理方法，為基于眾源數(shù)據(jù)的地理知識(shí)存儲(chǔ)提供多元存儲(chǔ)方案。

圖4所示是以收集并處理核電站的眾源數(shù)據(jù)集的RDF數(shù)據(jù)作為知識(shí)圖譜進(jìn)行實(shí)驗(yàn)和舉例。該知識(shí)圖譜構(gòu)建了N公司及其董事長(zhǎng)陳某和M公司及其董事長(zhǎng)劉某的節(jié)點(diǎn)屬性和弧關(guān)聯(lián)。該實(shí)驗(yàn)數(shù)據(jù)對(duì)于其他格式的知識(shí)圖譜，這種存儲(chǔ)方案同樣適用。

圖4 核電站眾源數(shù)據(jù)RDF知識(shí)圖譜Fig.4 Crowdsourcing data RDF knowledge graph for nuclear power plant

2.1 知識(shí)管理

知識(shí)管理方法的核心組成如下：知識(shí)管理方法（主語(yǔ)，謂語(yǔ)，賓語(yǔ)）

如表1所示，以M和N公司員工為例，對(duì)眾源數(shù)據(jù)中的知識(shí)信息進(jìn)行抽取挖掘得到下表。每一個(gè)實(shí)體代表一個(gè)類似的主語(yǔ)節(jié)點(diǎn)，謂語(yǔ)表示屬性信息，賓語(yǔ)是尾節(jié)點(diǎn)知識(shí)。

表1 三元組存儲(chǔ)案例Table 1 Triple storage case

知識(shí)管理方法的優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單，眾源數(shù)據(jù)的技術(shù)入門比較低［16］。但缺點(diǎn)是規(guī)則混亂，無(wú)標(biāo)準(zhǔn)可參考。圖5所示的SPARSQL查詢時(shí)查找某年份出生且是某出生地的某公司的董事長(zhǎng)，并且可以將該SPARSQL查詢轉(zhuǎn)換為關(guān)系型數(shù)據(jù)庫(kù)查詢。

圖5 SPARQL查詢與SQL查詢對(duì)比Fig.5 Comparison between SPARQL query and SQL query

2.2 橫向存儲(chǔ)

橫向存儲(chǔ)法的特點(diǎn)是存儲(chǔ)結(jié)構(gòu)框架模式，該方法與知識(shí)管理方法不同，這里的方法是將眾源數(shù)據(jù)按照行優(yōu)先的策略進(jìn)行存儲(chǔ)。具體內(nèi)容如表2所示，其共有5行、5列，限于篇幅省略了若干列。不難看出，橫向存儲(chǔ)法用列創(chuàng)建眾源數(shù)據(jù)的屬性信息，而行用于創(chuàng)建事件的頭節(jié)點(diǎn)內(nèi)容。

表2 橫向存儲(chǔ)案例Table 2 Horizontal storage case

橫向存儲(chǔ)方法，其眾源數(shù)據(jù)的核心查詢語(yǔ)法規(guī)則是：

SELECT主語(yǔ)

FROM a

WHERE出生=‘年份’AND籍貫=‘出生地’董事長(zhǎng)LIKE‘_%’

橫向存儲(chǔ)方法的語(yǔ)法，本文用符號(hào)a代替為查詢表，而且，單表查詢即可完成該任務(wù)，不用進(jìn)行連接操作。在基于眾源數(shù)據(jù)的地理信息數(shù)據(jù)集中，該數(shù)據(jù)的存儲(chǔ)方法對(duì)于行優(yōu)先存儲(chǔ)來(lái)說(shuō)，會(huì)出現(xiàn)大量的存儲(chǔ)空間閑置的情況。如果將該方法應(yīng)用到實(shí)際場(chǎng)景中，這種方法會(huì)增加數(shù)據(jù)庫(kù)管理的復(fù)雜度和運(yùn)營(yíng)數(shù)據(jù)的成本。

2.3 屬性存儲(chǔ)

屬性存儲(chǔ)方法是把橫向存儲(chǔ)方法進(jìn)行更加詳細(xì)的劃分描述，即把一個(gè)橫向存儲(chǔ)方法分為人、專業(yè)化公司和母子公司三個(gè)分欄。對(duì)于圖5中SPARQL查詢，在屬性存儲(chǔ)方法上等價(jià)的SQL查詢?nèi)缦滤荆?/p>

SELECT主語(yǔ)

FROM人

WHERE出生=‘年份’AND籍貫=‘出生地’董事長(zhǎng)LIKE‘_%’

該查詢與橫向存儲(chǔ)方法上查詢的唯一區(qū)別是將欄名由a變成了員工。

表3 屬性存儲(chǔ)方法Table 3 Store of attribute

屬性存儲(chǔ)方法是在對(duì)知識(shí)管理方法和橫向存儲(chǔ)法上的優(yōu)化升級(jí)，反過(guò)來(lái)看，知識(shí)管理方法和橫向存儲(chǔ)法又是屬性存儲(chǔ)法的特例。按照屬性存儲(chǔ)方法，雖然它彌補(bǔ)了上面兩個(gè)方法的缺點(diǎn)，但是，其本身也出現(xiàn)了數(shù)據(jù)冗余的缺點(diǎn)。而且，屬性存儲(chǔ)方法仍然會(huì)進(jìn)行多個(gè)表之間的連接操作，從而影響查詢效率。

2.4 縱向劃分

縱向劃分起源于美國(guó)高等學(xué)府，該方法以三元組的謂語(yǔ)作為劃分維度，將RDF知識(shí)圖譜劃分為若干張只包含（主語(yǔ)，賓語(yǔ)）兩列的表，該表的突出特征是以眾源數(shù)據(jù)的屬性信息為分表。也就是說(shuō)，圖6中分表分別是出生、董事長(zhǎng)、業(yè)務(wù)、子公司等眾源屬性信息。

圖6 縱向劃分存儲(chǔ)方案Fig.6 Vertical partition storage solution

對(duì)于圖6中的SPARQL查詢，在縱向劃分存儲(chǔ)方案中等價(jià)的SQL查詢?nèi)缦拢?/p>

SELECT出生.主語(yǔ)

FROM出生，業(yè)務(wù)，董事長(zhǎng)

WHERE出生.賓語(yǔ)=‘年份’AND業(yè)務(wù).賓語(yǔ)=‘天然鈾’AND出生.主語(yǔ)=業(yè)務(wù).主語(yǔ)AND出生.主語(yǔ)=董事長(zhǎng).主語(yǔ)

該查詢涉及3項(xiàng)謂語(yǔ)屬性，出生、業(yè)務(wù)和董事長(zhǎng)的連接操作。由于謂語(yǔ)表中的行都是按照主語(yǔ)列進(jìn)行排序的，可以快速執(zhí)行這種以“主語(yǔ)-主語(yǔ)”作為連接條件的查詢操作，而這種連接操作又是常用的。

2.5 多重查詢

多重查詢法是對(duì)RDF存儲(chǔ)的一種延伸，該方法利用主、謂、賓語(yǔ)之間的概率分布關(guān)系進(jìn)行自由組合，其典型的三元組排列組合方式如表4所示。因?yàn)樵摲椒▽⑺蠷DF進(jìn)行排列組合，這極大地提升了數(shù)據(jù)庫(kù)查詢檢索的效率，但也增加了存儲(chǔ)空間的消耗。

表4 三元組模式查詢能夠使用的索引Table 4 Usable indexes for triple query

圖7所示的鏈?zhǔn)絊PARQL查詢“查找生于某年份目前是公司的董事長(zhǎng)的人”，可以通過(guò)spo和pso表的連接快速執(zhí)行三元組模式“？person董事長(zhǎng)？company”與“？company行業(yè)？ind”的連接操作，避免了單表的自連接。

圖7 一個(gè)鏈?zhǔn)絊PARQL查詢Fig.7 A chained SPARQL query

2.6 混合管理

例如，在表5中的dph欄中，主語(yǔ)劉某的謂語(yǔ)行業(yè)（pred1列）是多值謂語(yǔ)，則在其賓語(yǔ)列（val1）存儲(chǔ)id值lid：1。例如，主語(yǔ)劉某和陳某的謂語(yǔ)董事長(zhǎng)都被分配到pred3列，該列也存儲(chǔ)了主語(yǔ)M公司的謂語(yǔ)專業(yè)化公司和直屬單位。

表5 混合管理方案Table 5 Hybrid management solution

SELECT a.主語(yǔ)

FROM dph AS a

WHERE a.pred1=‘籍貫’AND a.val1=‘出生地’AND a.pred2=‘出生’AND a.val2=‘年份’AND a.pred3=‘董事長(zhǎng)’

從中可以看出，對(duì)于知識(shí)圖譜的星型查詢，混合管理存儲(chǔ)方案只需查詢dph欄即可完成，無(wú)須進(jìn)行連接操作。

現(xiàn)在開始存儲(chǔ)以L公司作為主語(yǔ)的三元組，見表6所示。將（L公司，母公司，M公司）進(jìn)行數(shù)據(jù)添加時(shí)，根據(jù)h1的值將謂語(yǔ)母公司存入列pred1。將（L公司，子公司，C廠）進(jìn)行數(shù)據(jù)添加時(shí)，根據(jù)h1的值將謂語(yǔ)子公司存儲(chǔ)到pred2。在對(duì)（L公司，業(yè)務(wù)，清潔能源）進(jìn)行數(shù)據(jù)添加時(shí)，將謂語(yǔ)業(yè)務(wù)被h1映射到列pred1，但該列已被占用，因而接著被h2映射到列pred3。將（L公司，子公司，B廠）插入到知識(shí)庫(kù)時(shí)，謂語(yǔ)子公司被h1映射到列predk。在把（M公司，直屬單位，X設(shè)計(jì)院）添加到知識(shí)庫(kù)中時(shí)，此時(shí)數(shù)據(jù)庫(kù)原有位置被占用，會(huì)自動(dòng)添加到額外空間內(nèi)容。

表6 謂語(yǔ)到列映射的散列函數(shù)Table 6 Hash function of predicate-to-column mapping

為此，構(gòu)建圖著色算法的沖突圖。圖中節(jié)點(diǎn)為知識(shí)圖譜中的所有謂語(yǔ)。每對(duì)共現(xiàn)謂語(yǔ)節(jié)點(diǎn)之間由一條邊相連。圖著色問(wèn)題的要求是為沖突圖中的節(jié)點(diǎn)著上顏色使得每個(gè)節(jié)點(diǎn)的顏色不同于其在鄰接節(jié)點(diǎn)的顏色，并使所有顏色數(shù)最少。對(duì)應(yīng)到謂語(yǔ)映射問(wèn)題，即為沖突圖中的謂語(yǔ)節(jié)點(diǎn)分配列，使得每個(gè)謂語(yǔ)映射到的列不同于其任一共現(xiàn)謂語(yǔ)映射到的列，并使用所用的列數(shù)目最少。圖8給出了圖4中知識(shí)圖譜的沖突圖?？梢?，對(duì)于13個(gè)謂語(yǔ)，僅使用了5種顏色，即只需使用5列。需要指出的是，圖著色是經(jīng)典的NP難題，對(duì)于規(guī)模較大的沖突圖可用貪心算法求得近似解。

圖8 沖突圖Fig.8 Interference graph

3 眾源知識(shí)存儲(chǔ)關(guān)鍵技術(shù)

為了適應(yīng)大規(guī)模知識(shí)圖譜數(shù)據(jù)的存儲(chǔ)管理與查詢處理，知識(shí)圖譜數(shù)據(jù)庫(kù)內(nèi)部針對(duì)圖數(shù)據(jù)模型設(shè)計(jì)了專門的存儲(chǔ)方案和查詢后處理機(jī)制，以圖數(shù)據(jù)庫(kù)Neo4j為例創(chuàng)建其存儲(chǔ)核電站知識(shí)場(chǎng)景方案。

這一部分將深入Neo4j圖數(shù)據(jù)庫(kù)底層，探究其原生的圖存儲(chǔ)方案。作為對(duì)比，將原有的眾源數(shù)據(jù)知識(shí)庫(kù)與關(guān)系數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)原理進(jìn)行分析。圖9左邊給出了一個(gè)全局索引的示例，典型方法是利用B+樹進(jìn)行全局檢索，如查找“張某”的同事，需要O( logn)帶代價(jià)，其中，n為節(jié)點(diǎn)總數(shù)。如果覺(jué)得這樣的查找代價(jià)還是可以接受的話，那么換一個(gè)問(wèn)題，誰(shuí)認(rèn)識(shí)“趙某”的查找代價(jià)是多少？顯然，對(duì)于這個(gè)查詢，需要通過(guò)全局索引檢查每個(gè)節(jié)點(diǎn)，看其認(rèn)識(shí)的人或共事的人中是否有趙某，總代價(jià)為O(nlogn)，這樣的復(fù)雜度對(duì)于圖數(shù)據(jù)的遍歷操作是不可接受的。也有學(xué)者認(rèn)為，可為“被認(rèn)識(shí)”關(guān)系再建一個(gè)同樣的全局索引，但那樣索引的維護(hù)開銷就會(huì)翻倍，而且仍然不能做到圖遍歷操作代價(jià)與圖規(guī)模無(wú)關(guān)。

圖9 鄰接關(guān)系的全局索引示例Fig.9 Example of global index for adjacency

在圖數(shù)據(jù)庫(kù)中，把屬性信息認(rèn)為是區(qū)別于關(guān)系數(shù)據(jù)庫(kù)的關(guān)鍵點(diǎn)，即數(shù)據(jù)庫(kù)中最基本、最核心的概念，如關(guān)系數(shù)據(jù)庫(kù)中的“關(guān)系”，才能實(shí)現(xiàn)真正的“無(wú)索引鄰接”特性。在圖6右邊查找“張某”的同事時(shí)，可以通過(guò)張某的“同事”出邊進(jìn)行索引。搜索認(rèn)識(shí)“趙某”的員工，可以通過(guò)趙某入邊進(jìn)行索引。當(dāng)然，目前這種方法的時(shí)間復(fù)雜度為O(1)。

Neo4j與其它眾源數(shù)據(jù)知識(shí)庫(kù)不同，它是將屬性數(shù)據(jù)集和節(jié)點(diǎn)數(shù)據(jù)集分開管理。該方法的提出，使得Neo4j的運(yùn)行和管理效率都在同行業(yè)數(shù)據(jù)庫(kù)中處于領(lǐng)先地位。首先，在Neo4j中是如何存儲(chǔ)圖節(jié)點(diǎn)和邊。圖10所示，在Neo4j中，存儲(chǔ)單個(gè)節(jié)點(diǎn)和屬性分別占用9和33個(gè)物理存儲(chǔ)單位。其中，節(jié)點(diǎn)集數(shù)據(jù)存儲(chǔ)在neostore.nodestore.db里，在每一個(gè)節(jié)點(diǎn)集中分別存儲(chǔ)著不同的記錄信息。包括，相連節(jié)點(diǎn)、本節(jié)點(diǎn)的身份信息、本節(jié)點(diǎn)的屬性信息以及該節(jié)點(diǎn)屬性信息的身份信息等內(nèi)容。在眾源數(shù)據(jù)屬性信息集中，屬性集存儲(chǔ)在neostore.relationshipstore.db里，在單個(gè)屬性數(shù)據(jù)中，會(huì)依次存儲(chǔ)該屬性物理位置是否使用、該屬性的頭節(jié)點(diǎn)和尾節(jié)點(diǎn)位置信息、還會(huì)包含屬性連接節(jié)點(diǎn)相應(yīng)的身份信息，最后還有頭節(jié)點(diǎn)指向下一個(gè)節(jié)點(diǎn)的地址以及尾節(jié)點(diǎn)指向下一個(gè)節(jié)點(diǎn)的地址信息。

圖10 Neo4j中節(jié)點(diǎn)和邊記錄的物理存儲(chǔ)結(jié)構(gòu)Fig.10 Physical storage structure of the node and edge records in Neo4j

圖11所示是以核電站員工為例，用Neo4j的各種節(jié)點(diǎn)集和屬性集進(jìn)行舉例，來(lái)說(shuō)明各種眾源數(shù)據(jù)的知識(shí)信息是如何相互之間進(jìn)行信息溝通。以張某和趙某節(jié)點(diǎn)為例，二者在存儲(chǔ)關(guān)系上分別屬于數(shù)據(jù)存儲(chǔ)的初始位置。通過(guò)二者都關(guān)聯(lián)的同事信息，可以通過(guò)虛線鏈接來(lái)確定張某與趙某節(jié)點(diǎn)。對(duì)于圖中的核心節(jié)點(diǎn)與項(xiàng)目節(jié)點(diǎn)都使用雙向聯(lián)系，而對(duì)于單一位置員工的屬性信息，則使用單一方向聯(lián)系。該方法不僅方便查詢各個(gè)員工的關(guān)聯(lián)關(guān)系，同時(shí)對(duì)于眾源知識(shí)圖譜添加與管理也非常便捷。

圖11 Neo4j中圖的物理存儲(chǔ)Fig.11 Physical storage diagram in Neo4j

例如，由節(jié)點(diǎn)3導(dǎo)航到節(jié)點(diǎn)1的過(guò)程為：

（1）由節(jié)點(diǎn)3知道其第1條邊為7；

（2）在邊文件中通過(guò)定長(zhǎng)記錄計(jì)算出邊7的存儲(chǔ)地址；

（3）由邊7通過(guò)雙向鏈表找到邊8；

（4）由邊8獲得其中的終止節(jié)點(diǎn)id（secondNode），即節(jié)點(diǎn)1；

（5）在節(jié)點(diǎn)文件中通過(guò)定長(zhǎng)記錄計(jì)算出節(jié)點(diǎn)1的存儲(chǔ)地址。

4 結(jié)果與分析

當(dāng)前有多種知識(shí)圖譜開源及商業(yè)數(shù)據(jù)庫(kù)，本文以Neo4j為例，設(shè)計(jì)具體的核電站知識(shí)存儲(chǔ)過(guò)程，Neo4j的1.0版本發(fā)布于2010年。Neo4j是典型的以知識(shí)形式進(jìn)行數(shù)據(jù)存儲(chǔ)與管理的數(shù)據(jù)庫(kù)，它不僅規(guī)定了專屬使用語(yǔ)言，而且還提供了數(shù)據(jù)庫(kù)專業(yè)的核心案例以幫助初學(xué)者更好地入門。同時(shí)，Neo4j還具備OLTP數(shù)據(jù)庫(kù)必須的ACID事務(wù)處理功能。

Neo4j的不足之處在于其社區(qū)版是單機(jī)系統(tǒng)，雖然Neo4j企業(yè)版支持高可用性（High Availability）集群，但其與分布式圖存儲(chǔ)系統(tǒng)的最大區(qū)別在于每個(gè)節(jié)點(diǎn)上存儲(chǔ)圖數(shù)據(jù)庫(kù)的完整副本（類似于關(guān)系數(shù)據(jù)庫(kù)鏡像的副本集群），不是將圖數(shù)據(jù)劃分為子圖進(jìn)行分布式存儲(chǔ)，并非真正意義上的分布式數(shù)據(jù)庫(kù)系統(tǒng)。如果圖數(shù)據(jù)超過(guò)一定規(guī)模，系統(tǒng)性能就會(huì)因?yàn)榇疟P、內(nèi)存等限制而大幅降低。

開發(fā)者注冊(cè)信息后可以免費(fèi)下載Neo4j桌面打包安裝版，其中包括Neo4j企業(yè)版的全部功能，即Neo4j服務(wù)器、客服端及全部組件。安裝之后打開軟件為Neo4j Desktop數(shù)據(jù)庫(kù)管理界面，然后選擇瀏覽器，打開Neo4j瀏覽器。Neo4j瀏覽器是功能完成的Neo4j可視化交互式客戶端工具，可以用于執(zhí)行Cypher語(yǔ)言。使用Neo4j內(nèi)置的電影圖數(shù)據(jù)庫(kù)執(zhí)行Cypher查詢，返回“湯姆·漢克斯”所出演的全部電影，如圖12所示。此外，成功啟動(dòng)Neo4j服務(wù)器之后，會(huì)在7474和7473端口分別開啟HTTP和HTTPS。例 如，使 用 瀏 覽 器 訪 問(wèn)http：//localhost：7474/進(jìn) 入Web界 面，執(zhí) 行Cypher查詢，其功能與Neo4j瀏覽器一致。

本文以具體知識(shí)存儲(chǔ)過(guò)程為例。如圖12所示，對(duì)核電站的工作人員信息進(jìn)行代碼案例測(cè)試，六名人員與四個(gè)地理位置信息的知識(shí)結(jié)果見圖12（a），通過(guò)分析可以發(fā)現(xiàn)，張某與孫某都是來(lái)自同一個(gè)城市，并且二人是夫妻關(guān)系；在兩類節(jié)點(diǎn)之間，王某是最受同事喜愛(ài)的人。從圖12（b）中可以看出，每個(gè)員工節(jié)點(diǎn)有不少于一類屬性關(guān)系，這表明各類知識(shí)節(jié)點(diǎn)的屬性關(guān)系，不僅僅只是同事和家屬關(guān)系，而且對(duì)比（a）與（b）可以看出，實(shí)體類的關(guān)系存儲(chǔ)和表示，并非是單一的行或列存儲(chǔ)。對(duì)眾源數(shù)據(jù)的地理知識(shí)的存儲(chǔ)，表現(xiàn)的具體實(shí)例上可以看出是節(jié)點(diǎn)與屬性知識(shí)的融合。

圖12 Neo4j數(shù)據(jù)庫(kù)實(shí)例Fig.12 Neo4j database instance

5 結(jié)論

針對(duì)眾源數(shù)據(jù)這一典型數(shù)據(jù)的存儲(chǔ)問(wèn)題，利用當(dāng)前流行的知識(shí)圖譜技術(shù)對(duì)眾源數(shù)據(jù)進(jìn)行存儲(chǔ)，不僅利用關(guān)系數(shù)據(jù)庫(kù)的方法，還利用了圖數(shù)據(jù)庫(kù)的方法進(jìn)行存儲(chǔ)。通過(guò)對(duì)各種方法的對(duì)比分析，發(fā)現(xiàn)傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)在存儲(chǔ)眾源地理信息時(shí)，會(huì)造成存儲(chǔ)位置上的數(shù)據(jù)稀疏，并且弱化了眾源數(shù)據(jù)中地理知識(shí)的相關(guān)關(guān)系。與之對(duì)比，圖數(shù)據(jù)的優(yōu)點(diǎn)明顯，不僅可以解決關(guān)系型數(shù)據(jù)庫(kù)在存儲(chǔ)眾源地理知識(shí)時(shí)數(shù)據(jù)存儲(chǔ)稀疏，造成大量空間浪費(fèi)的問(wèn)題，而且還可以刻畫了眾源數(shù)據(jù)的關(guān)系特征。最后通過(guò)具體案例分析進(jìn)一步表明，利用知識(shí)圖譜數(shù)據(jù)庫(kù)存儲(chǔ)眾源地理信息可以達(dá)到復(fù)雜度為O(1)的需求。在后續(xù)研究中，應(yīng)進(jìn)一步優(yōu)化對(duì)眾源數(shù)據(jù)的高效率知識(shí)抽取和挖掘，以及對(duì)抽取知識(shí)的智能化推理等問(wèn)題。