pdf (18647 Kb) - Fachgebiet Datenbanken und Informationssysteme ...

(etwa OLA oder Microsoft BizTalk Mapper) oder Varianten bestehender Verfahren (z.B.
NOM ) entstanden ([SE05]), stellte [Gal06] 2006 fest, dass sich trotz intensiver Forschung
bislang keines der entwickelten Schema-Matching-Verfahren durchgesetzt hat. Stattdessen
würden immer noch ad-hoc-Lösungen eingesetzt, obwohl das Ziel der Matching-
Verfahren eigentlich ja genau die Vermeidung solcher Lösungen sein sollte.
Neben den „klassischen“ Verfahren zum Matching von Schemata wurden vor allem
in den letzten knapp 12 Jahren vermehrt Verfahren zum Matchen von Ontologien verwendet.
[Rah11] nennt hier unter anderem Falcon und Rimom aus dem Jahr 2006 und
Harmony, erstmals vorgestellt 2008.
Trotz vieler Fortschritte, die bei der Entwicklung von Schema-Matching-Verfahren in
den vorangegangenen Jahren gemacht wurden, bescheinigte [Rah11] diesen 2011 immer
noch Schwierigkeiten bei large-scale-Matchings, also Matchings in großem Umfang und
mit großen Datenmengen. So würden nach wie vor näherungsweise Mappings ermittelt
werden können, Anpassungen durch menschliche Experten wären nach wie vor nötig und
das Problem, gute Effektivität bei gleichzeitig guter Effizienz zu erreichen, wäre immer
noch nicht gelöst.
3.2. Klassifizierung von Matching-Verfahren
Da die Zahl von Matching-Verfahren stetig wächst, ist es sinnvoll, diese in bestimmte
Kategorien einzuteilen, um den Überblick behalten zu können. In der Literatur wurde
in [RB01] eine solche Klassifizierung vorgenommen, die in [SE05] in Teilen verändert
und erweitert wurde. Diese Klassifizierungen sollen in diesem Abschnitt kurz erläutert
werden. Da der Fokus dieser Arbeit auf dem Graph-Matching liegt, soll dabei insbesondere
darauf eingegangen werden, an welcher Stelle sich dieses in den Kontext der
Schema-Matching-Verfahren einordnen lässt.
In [RB01] wird zunächst zwischen individuellen und kombinierten Matching-Ansätzen
(auch als Matcher bezeichnet) unterschieden. Individuelle Ansätze verwenden ein einzelnes
Kriterium für das Matching. Sie können entweder ausschließlich schema-basiert
oder instanz-/inhalts-basiert sein. Kombinierte Matcher können entweder mehrere Ansätze
zusammenfassen und anhand mehrerer Kriterien ihr Matching durchführen (hybride
Matcher) oder die Ergebnisse mehrerer verschiedener Ansätze zusammenfassen
(Komposition).
Graph-Matching-Verfahren werden dabei den individuellen Matchern und dort den
ausschließlich schema-basierten zugeordnet. Im Normalfall werden keinerlei Daten für
das Matching benötigt, sondern lediglich Informationen aus den Schemata. Das Similarity
Flooding, das in dieser Arbeit besonders intensiv betrachtet werden soll, kann
dabei in gewissem Sinne als Ausnahme betrachtet werden, denn dabei wird für das Matching
selbst zwar ausschließlich die Struktur der Schemata herangezogen, in der Vorverarbeitungsphase
sind aber auch weitere Kriterien möglich, die eventuell andere Daten
benötigen (wie zum Beispiel Wörterbücher oder Thesauri).
Auf der nächst-niedrigeren, detaillierteren Ebene unterscheidet man bei den ausschließlich
schema-basierten Matchern zwischen Element-Ebene und Struktur-Ebene. Auf
11