pdf (18647 Kb) - Fachgebiet Datenbanken und Informationssysteme ...
pdf (18647 Kb) - Fachgebiet Datenbanken und Informationssysteme ...
pdf (18647 Kb) - Fachgebiet Datenbanken und Informationssysteme ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
einer Laufzeit von O(n 2 ).<br />
Da in der Graphentheorie somit schon eine Reihe von Verfahren <strong>und</strong> Überlegungen<br />
vorhanden waren, lag der Versuch nahe, diese auch auf Schemata bzw. allgemein auf<br />
andere Datenstrukturen zu übertragen.<br />
Hinzu kommt, dass die Verwendung von Graphen in Matching-Verfahren sehr viel<br />
mehr Möglichkeiten von Eingabewerten bietet als andere Verfahren. Theoretisch können<br />
als Eingabe alle Datenstrukturen verwendet werden, die sich in geeigneter Form als<br />
Graphen darstellen lassen. Dadurch sind Graph-Matching-Verfahren weitaus generischer<br />
<strong>und</strong> können in mehr Bereichen eingesetzt werden als Verfahren, die zum Beispiel nur auf<br />
Basis von XML arbeiten <strong>und</strong> deshalb nur XML-Dateien als Eingaben akzeptieren.<br />
Das erste Graph-Matching-Verfahren ist – wie bereits in Kapitel 3.1 erwähnt – Tran-<br />
Scm aus dem Jahr 1998, vorgestellt in [MZ98]. Dabei wurde genau die gr<strong>und</strong>sätzliche<br />
Idee hinter Graph-Matching-Verfahren verfolgt, nämlich ein Verfahren zu entwickeln,<br />
um mit verschiedenen Formaten von Daten umgehen <strong>und</strong> daraus Matchings bestimmen<br />
zu können. Seit diesem ersten Verfahren entstanden noch eine Reihe weiterer, wie zum<br />
Beispiel Cupid, Rondo, SASMINT <strong>und</strong> das Similarity Flooding, von denen im Rahmen<br />
dieser Arbeit besonders das Similarity Flooding aus dem Jahr 2001 im Fokus steht.<br />
3.3.2. Graph Matching bei räumlichen Daten<br />
Ein Forschungsgebiet an der Leibniz Universität Hannover, in dem Graph Matching<br />
Verfahren eine wichtige Bedeutung spielen, ist das Matching von räumlichen Daten.<br />
Ziel dabei ist es, geographische Datenbestände wie etwa Straßenkarten zu matchen,<br />
die verschiedene Detaillierungsgrade aufweisen <strong>und</strong> unterschiedliche Erfassungskriterien<br />
verwenden.<br />
Im Rahmen dieses Themas wurde in [Tie03] zunächst ein Modell entwickelt, das räumliche<br />
<strong>Datenbanken</strong> um topologische Informationen erweitert <strong>und</strong> es ermöglicht, bestimmte<br />
topologische Integritätsbedingungen zu erstellen. Dieses Modell stellt die Gr<strong>und</strong>lage<br />
für eine Reihe weiterer Arbeiten dar. So wird zum Beispiel in [Rip04] mit dem BFS-<br />
Matching-Verfahren ein Graph Matching Verfahren vorgestellt, das auf räumlichen Datenbeständen<br />
arbeiten kann. Ebenso wird der Algorithmus von Ullman (vgl. [Ull76]) in<br />
einer modifizierten Version darauf angewandt. [Sch09] stellt mit dem GeoFoed-Matching<br />
ein Verfahren dar, das an der Leibniz Universität zum Matching geographischer Daten<br />
entwickelt wurde.<br />
Auch wenn also bereits einige Verfahren existieren, um räumliche Daten zu matchen,<br />
ist die Suche nach weiteren <strong>und</strong> eventuell besseren Verfahren noch nicht abgeschlossen.<br />
Obwohl der Schwerpunkt dieser Arbeit wie anfangs erwähnt eher auf dem Schema-<br />
Matching <strong>und</strong> nicht auf dem Matching räumlicher Daten liegt, stellt sich natürlich die<br />
Frage, ob sich Verfahren wie das Similarity Flooding unter Umständen ebenso für ein<br />
solches Matching von räumlichen Datenbeständen eignen.<br />
14