[论文解读] Data Shapes and Data Transformations

Michael Hausenblas, Boris Villazón-Terrazas+1 more|arXiv (Cornell University)|Nov 7, 2012

Data Quality and Management参考文献 2被引用 4

一句话总结

本文提出了一套原则性框架，用于理解并执行表格、树和图数据模型之间的数据形态转换——这些是现代数据集成中的基础结构。该研究系统分析了这些形态之间的转换，识别了相关标准与工具（例如 R2RML、SPARQL、XSLT），并指出无损与有损转换的情形，为异构系统中的数据集成提供了基础性参考。

ABSTRACT

Nowadays, information management systems deal with data originating from different sources including relational databases, NoSQL data stores, and Web data formats, varying not only in terms of data formats, but also in the underlying data model. Integrating data from heterogeneous data sources is a time-consuming and error-prone engineering task; part of this process requires that the data has to be transformed from its original form to other forms, repeating all along the life cycle. With this report we provide a principled overview on the fundamental data shapes tabular, tree, and graph as well as transformations between them, in order to gain a better understanding for performing said transformations more efficiently and effectively.

研究动机与目标

• 为不同数据源和格式中的基础数据形态——表格、树和图——提供原则性概述。
• 分析并分类这些数据形态之间的转换，重点关注其可行性、有损性及标准化程度。
• 识别现有标准与工具（例如 R2RML、SPARQL、XSLT），以支持或促进这些转换。
• 指出开放性挑战，包括有损转换问题以及转换流水线中缺乏溯源追踪。
• 支持研究人员和实践者设计更高效、互操作性更强的数据集成工作流。

提出的方法

• 本文根据结构和建模特性，将数据分类为三种基础形态：表格（例如 CSV、RDB）、树（例如 XML、JSON）和图（例如 RDF、主题图）。
• 分析所有形态对之间的转换方向（例如 表格 → 图、图 → 树），评估其可行性、有损性及标准化程度。
• 针对每种转换类型，识别现有标准（例如 R2RML 用于 RDB 到 RDF，XSLT 用于 XML 到 XML）和工具（例如 Google Refine、Geo2KML、SPARQL CONSTRUCT）。
• 区分声明式（例如 SPARQL CONSTRUCT、XSLT）与操作式（例如 自定义脚本）转换方法。
• 通过表格总结（表 3.2）评估转换特性，如有损性与标准化状态，以比较所有转换类型。
• 讨论开放性问题，包括缺乏溯源追踪，以及对有损转换进行系统研究的必要性。

实验结果

研究问题

• RQ1 构成现代数据集成挑战的基础数据形态有哪些？
• RQ2 哪些数据形态转换是无损的，哪些本质上是有损的，其影响是什么？
• RQ3 目前存在哪些标准与工具可支持表格、树和图数据形态之间的转换？
• RQ4 转换过程能否以声明式方式系统表达？如果可以，哪些转换类型可以实现？
• RQ5 如何将溯源与数据血缘整合到数据形态转换流水线中，以提升可信度与可重现性？

主要发现

• 本文识别出三种基础数据形态——表格、树和图——在现实世界数据源中广泛存在，如 RDBMS、JSON/XML 和 RDF。
• 在某些数据形态对之间可实现无损转换，例如通过 R2RML 或 SPARQL CONSTRUCT 实现从表格到图的转换。
• 声明式转换方法（例如 SPARQL、XSLT、R2RML）在特定转换类型中被广泛使用且已实现标准化。
• 当信息不可逆地丢失时发生有损转换，例如使用 SPARQL SELECT 进行图到表格的转换，特别是在聚合或展平嵌套结构时。
• 存在多种转换标准，包括用于 RDB 到 RDF 的 R2RML、用于 XML 到 XML 的 XSLT，以及用于 XML 到 RDF 的 GRDDL。
• 本文识别出当前实践中的一个关键缺口：转换过程中未考虑溯源追踪，表明未来研究亟需关注此问题。