一种面向领域知识的大数据价值服务建模方法

黄贻望; 何克清; 彭长根

doi:10.14188/j.1671-8836.2018.0065

武汉大学学报（理学版） ›› 2020, Vol. 66 ›› Issue (5) : 462 -472. DOI: 10.14188/j.1671-8836.2018.0065

计算机科学

一种面向领域知识的大数据价值服务建模方法

黄贻望 ¹^,² ,
何克清 ³ ,
彭长根 ²

作者信息 +

A Modeling of Big Data Value Service for Domain Knowledge

Author information +

文章历史 +

PDF (3455K)

摘要

在网络大数据价值服务系统中，面对复杂的异构数据关联与交互，如何实现智慧的大数据价值发现与服务成为当前亟需解决的一个重要问题。为解决该问题，提出了面向领域主题大数据价值服务的语义内容标签及其语义矢量元模型，在元模型中给出4种语义基本矢量及其关联的9种语义单位矢量，基于该模型构建赋予本体概念的语义矢量本体模型，并进一步结合树形层次状态机对语义矢量元模型进行形式化描述，更精确地描述大数据价值服务。该方法能够有效地用于有序化组织大数据主题知识及其价值服务空间，实施面向主题的大数据知识及其价值服务的规模化定制。通过城市交通需求物联网服务领域阐述该方法在服务交互融合过程中实现按需价值服务，说明该方法的有效性。

Abstract

Under the complex big data value service system, how to realize the discovery and service of intelligent big data value in the face of heterogeneous and complex data association and interaction has become an important problem that needs to be solved urgently. In order to solve this problem, this paper proposes a semantic content label for domain-oriented topic-related big data value service and its semantic vector meta⁃model method. In the meta-model, four types of semantic basic vectors and their asso-ciated 9 types of semantic unit vectors are given. Based on this model, a semantic vector ontology model endowed with ontology concepts is constructed, and the semantic vector meta-model is further formalized with a tree-level hierarchical state machine, which makes the description of big data value services more precise. This method can be effectively used to organize big data topic knowledge and its value service space orderly. In order to implement the large-scale customization of subject-oriented big data knowledge and its value services, this method is illustrated in the field of Internet of Things (IoT) services to realize on-demand value services in the process of service interaction fusion, and the effectiveness of the method is proved.

Graphical abstract

关键词

元模型框架 / 语义基本矢量 / 需求驱动 / 交互与融合 / 价值服务

Key words

meta-model framework / semantic base vector / demand driven / interaction and fusion / value service

引用本文

引用格式 ▾

黄贻望,何克清,彭长根. 一种面向领域知识的大数据价值服务建模方法[J]. 武汉大学学报（理学版）, 2020, 66(5): 462-472 DOI:10.14188/j.1671-8836.2018.0065

登录浏览全文

4963

注册一个新账户忘记密码

0　引言

云计算和大数据对社会生活产生了深刻的影响，移动互联网与社交网络快速发展进一步促进了云计算与大数据的融合^［1~6］。一方面，大数据分析采用云计算，大数据“分析即服务（Analytics as a Service，AaaS）”^［7~11］技术，有效地降低了大数据分析的成本，提高了大数据分析的准确性和伸缩性；另一方面，当云计算遇上大数据，促进了智慧云计算，按需云服务的价值与质量及大数据的“价值即服务（Value as a Service，VaaS）”能力^［12］得到了提升。因此，云计算与大数据的融合，催生了大数据智慧云服务^［13］。

为挖掘大数据智慧云服务中的价值，需要解决的一个关键问题是如何精准发现和度量大数据的服务价值能力^{［6，8，14］}。大数据的服务价值体现在能够多大程度满足用户的个性化需求，即以用户需求的满足程度作为大数据服务价值的度量标准，从而有效地进行密集型数据分析与VaaS发现^［8，15］。采用传统的研究方法已经无法在有效的时间内提炼出满足个性化需求的有价值的服务信息^［16~18］，第四范式大数据分析与处理的统一理论与方法被提出，构建面向领域的大数据知识存储在计算机中的重要性被认识到^{［19，20］}。

面对网络大数据价值服务系统中复杂的异构数据之间交互的关联模式，迫切需要一种按需价值服务的语义内容标签及能够支撑灵活互操作的语义化基本矢量，有序地组织“数据-信息-知识-价值”的服务空间。为解决这个复杂问题，李幼平院士提出通过内容标签的方法引领网络内容计算^［11］，武汉大学何克清等^［21~23］提出RGPS （Role：角色，Goal：目标，Process：流程，Service：服务）需求元模型框架建模理论与方法，以此为理论基础主导研制的模型互操作性注册与存储获得ISO国际标准认定，形成模型互操作性系列MFI（O-RGPS）^［24］。大数据价值服务的分析与处理是以人为主体的大数据领域或主题知识与智慧的构建及其演化^［20］。在何克清等人工作的基础上，本文提出一种内容标签及其语义化基本矢量的理论方法，研究动态交互的RGPS统一内容标签（unified content label）及有序整合大数据价值信息服务空间的语义基本矢量（semantic base vector）。给出4种语义基本矢量及与其相关联的9种语义单位矢量（semantic unit vector）定义，用形式化方法描述了基于树形层次状态机的语义矢量本体模型。该方法可有效地实施面向主题的大数据知识及其价值服务的规模化定制。

1　大数据价值服务的语义内容标签及其矢量模型

1.1　大数据价值服务的语义内容标签

针对网络化软件信息服务空间，武汉大学何克清研究团队^{［21，22］}从需求度量价值和按需发现价值服务的理念出发，从W5H（Who，Why，How，What（value Service），When，Where）视角提出RGPS内容标签符合知识表达的方法。其中，描述情境的“When”与“Where”表达了时空对其他视角W3H（Who，Why，How，What）的约束。图1是武汉大学何克清团队在RGPS元模型框架的基础上提出的VaaS按需交互与匹配模式^{［21，22］}。VaaS请求方如个性化终端用户等，采用需求服务定制的RGPS标签模板提出请求；VaaS如面向领域主题定制的VaaS模型及其数据资源、运营管理方等，采用RGPS标注的价值服务模型及其互操作管理进行按需响应。双方通过在协议消息头中嵌入RGPS标签属性，能够实现RGPS内容标签引导的诸如“我是谁”与“我为谁”、“做什么”与“能做什么”、“要如何”与“怎么做”、“需要何种VaaS”与“提供的VaaS”的服务对接与匹配。RGPS内容标签中4个模型的可选择和伸缩性，能够促进VaaS请求方与响应方之间互操作的灵活性。模式给出了基本约束（角色要吻合、目标要匹配）对接、灵活伸缩的选择约束（如流程要符合个性化需求，不同粒度的价值服务对接等）以及VaaS的QoS保证、情境适应性等约束。

1.2　大数据价值服务的语义矢量

本文在武汉大学何克清等^［21~23］RGPS需求元模型框架的基础上提出表示RGPS语义内容标签的4个语义基本矢量及9类约束规则，即9种语义单位矢量，如表1所示。表1使用OWL描述RGPS语义矢量元模型中9种语义单位矢量。RGPS语义单位矢量为面向领域主题大数据价值服务的构建，提供了有序化的组织方法，为大数据价值服务知识的按需发现提供了智慧化引导。针对不同领域主题的价值服务模型，基于表1所示RGPS语义单位矢量的关联方向及其约束可进行选择、细化和增减，构建面向领域主题的价值服务语义矢量空间模型。

2　语义内容标签及其矢量的形式化描述

本文使用树形层次状态机（tree hierarchy state machine，THSM）^{［25，26］}作为形式化工具，描述RGPS语义基本矢量及语义单位矢量，然后用语义基本矢量及语义单位矢量描述基于RGPS语义矢量的网络大数据融合形式化体系。

2.1　语义基本矢量及关联关系

在树形层次状态机的形式定义的基础上^{［25，26］}，根据RGPS元模型框架形式化定义语义基本矢量。

定义1 角色矢量

R o l e = d e f {i d R,

〈

A t t r s R, R a n s R, v a l u e R

〉，

s t r T H S M R}

其中

i d R

是角色实体的标识；

A t t r s R

是角色实体的属性集合（动态属性和静态属性）；

R a n s R

是角色实体的属性值集合；

v a l u e R : A t t r s R → 2 R a n s R

是角色实体的属性到其值域的一个映射，

s t r T H S M R

是树形层次结构状态机。

定义2 目标矢量

G o a l = d e f

{i d G,

〈

A t t r s G, R a n s G, v a l u e G

〉

, s t r T H S M G}

其中

i d G

是目标实体的标识；

A t t r s G

是目标实体的属性集合（动态属性和静态属性）；

R a n s G

是目标实体的属性值集合；

v a l u e G : A t t r s G → 2 R a n s G

是目标实体的属性到其值域的一个映射，

s t r T H S M G

是树形层次结构状态机。

定义3 流程矢量

P r o c e s s = d e f {i d P,

〈

A t t r s P, R a n s P, v a l u e P

〉，

s t r T H S M P}

其中，

i d P

是流程实体的标识；

A t t r s P

是流程实体的属性集合；

R a n s P

是流程实体的属性值集合；

v a l u e P : A t t r s P → 2 R a n s P

是流程实体的属性到其值域的一个映射，

s t r T H S M P

是树形层次结构状态机。

定义4 服务矢量

S e r v i c e = d e f {i d S,

〈

A t t r s S, R a n s S, v a l u e S

〉

, s t r T H S M S}

其中，

i d S

是服务实体的标识；

A t t r s S

是服务实体的属性集合；

R a n s S

是服务实体的属性值集合；

v a l u e S : A t t r s S → 2 R a n s S

是服务实体的属性到其值域的一个映射，

s t r T H S M S

是树形层次结构状态机。

将RGPS语义矢量元模型中4个基本矢量及其9种语义单位矢量用本体的概念表示，称之为RGPS语义矢量本体模型，RGPS语义矢量本体模型是对网络大数据领域主题知识的抽象概括，从而可以通过面向领域的主题知识对大数据进行分析与理解，下面给出基于树形层次状态机的RGPS语义矢量本体模型的形式定义。

定义5 RGPS语义矢量本体模型

设三元组

D o m O R G P S = d e f 〈 D o m E R G P S, R, r e l

〉，其中

D o m E R G P S

=

R o l e ⋃ G o a l ⋃ P r o c e s s ⋃ S e r v i c e

；

R

表示由基本矢量定义的语义单元矢量集，即基本矢量实体之间的关联关系集合；

r e l : R → D o m E R G P S × D o m E R G P S

是一个语义单位矢量间的关联函数，对

e 1 ∈ D o m E R G P S, e 2 ∈ D o m E R G P S, r ∈ R

，如果有

r e l (r)

=

〈

e 1, e 2

〉，则

r (e 1, e 2)

为真，即实体

e 1

和

e 2

之间具有关联关系

r

，或记为

e 1 r e 2

。

表1给出RGPS语义矢量元模型中的9种语义单位矢量及其OWL描述，结合定义5，表2给出RGPS语义矢量中语义单位矢量相应的本体模型表示形式及释义。

应用RGPS语义矢量元模型中基本矢量本体对网络大数据中的数据信息进行语义标注，标注在数据或服务信息上的RGPS语义基本矢量本体信息为语义内容标签，这些语义内容标签将会保存以供查询使用。如当某个需求提出后，按语义内容标签对数据或服务进行查找。在查找的某一时刻，RGPS语义内容标签将会处在确定的状态，涉及到特定的角色、目标、流程和服务。此时的角色、目标、流程或服务统一用状态来表示，则不同时刻就会有不同的状态，而状态之间的转换通过某个事件触发。如用户需求提交后，接下来就激活系统管理员进行查询操作。因此从元模型的角度可将基于RGPS语义基本矢量的语义内容标签满足需求时的变化视为一个有限状态机，4个基本矢量通过9个单位矢量进行转换，令

S M = (S R o l e, S G o a l, S P r o c e s s, S S e r v i c e)

标记RGPS语义基本矢量的有限状态机的状态，

S R o l e, S G o a l,

S P r o c e s s,

S S e r v i c e

分别表示在当前状态下关联角色、目标、流程和服务的元素集。查找语义内容标签时，如只考虑到角色

S R o l e = {R o l e}

，其他为空集，则

S M = ({R o l e}, ∅, ∅, ∅)

；如同时考虑角色、扮演者及目标，

S R o l e = {R o l e,

A c t o r}

，

S G o a l = {G o a l}

，则

S M' = ({R o l e,

A c t o r},

{G o a l}, ∅, ∅)

，此时存在状态转换

S M → S M'

，这些状态之间的转换是通过RGPS语义基本矢量进行的。对于一个确定的大数据领域主题的价值服务空间及其RGPS语义矢量本体模型而言，它们之间的相互关联集合是有限的、确定的，针对不同领域主题的价值服务模型，如表2所示RGPS语义矢量的关联方向及其约束，可构建面向领域主题的价值服务的语义矢量空间模型。

2.2　基于语义基本矢量的价值服务空间模型

大数据的价值服务是通过面向领域的主题知识RGPS语义矢量本体与物理世界进行动态聚合、交互，满足人类社会的需求。RGPS语义矢量本体中的服务矢量模型可通过扩充、融合形成信息服务空间的物联网服务。此时，物理世界可以理解为与网络大数据进行交互的环境实体，其生命周期可根据基于环境的建模思想和层次状态机的概念进行刻画。通过这种动态聚合方式，用户的需求和网络信息空间等变化可进行动态演化。下面先给环境实体的形式定义，然后扩充物联网服务的定义。

定义6 环境实体

e = d e f {i d E, 〈 A t t r s E, R a n s E, v a l u e E 〉, s t r T H S M E}

其中，

i d E

是环境实体的标识符：

A t t r s E

是环境实体的属性集合；

R a n s E

是环境实体的属性值集合；

v a l u e E : A t t r s E → 2 R a n s E

（属性值的幂集）是环境实体的属性到其值域的一个映射，

s t r T H S M E

是树形层次结构状态机。

面向网络大数据的RGPS语义基本矢量本体中的物联网服务与环境实体发生交互会引起环境实体的状态变化，即RGPS语义基本矢量本体根据一定的业务流程通过控制物理实体施加作用于环境，达到调控物理世界，满足个性化用户需求的预期效果。在与物理环境进行交互时，会产生两种交互：指令交互和值交互。指令交互是指RGPS语义基本矢量本体中的物联网服务向被控制的环境实体发出指令，改变其状态；值交互是指RGPS语义基本矢量本体从物联网服务获取到被感知的环境实体各项属性的取值。物联网服务包括服务的行为和服务质量。服务行为关注服务对物理环境的感知和影响，以及服务之间的消息传递、并发和协作行为的描述；服务质量依附于服务行为，用于描述对服务行为执行的各种约束。服务行为描述主要包括服务的静态数据和动态行为两个部分。其中，静态数据部分需要描述服务感知或作用的环境实体集合，服务相关属性集合以及服务的接口；动态行为部分描述服务的状态迁移，即服务状态的变化。环境本体概念之间的关联如图2所示。

物联网服务是传统Web服务通过传感器网络向物理环境的延伸，它通过网络传感器感知物理环境中的实体，也向物理环境实体施加作用。因此，对物联网服务进行全面建模，对物联网服务所处的外部环境进行形式化描述，对于确保物联网系统的正确性、稳定性非常必要，描述包括三部分：传统的Web服务和服务所处的环境及它们之间的交互。利用RGPS语义基本矢量中的服务矢量可定义物联网服务。

定义7 物联网服务本体

I o T S e r v i c e = d e f {S e r v i c e, E s e t, s t r T H S M}

S e r v i c e

语义基本矢量中的服务矢量；

E s e t

表示环境实体类型集合；

s t r T H S M

是树形层次结构状态机。

物联网服务对环境实体的影响定义为它与物理环境实体的一个交互集和交互导致物理环境实体所发生的状态变化。

定义8 状态变化

t r a n s I = p r e S t a t e ↦ I p o s t S t a t e

表示由指令交互I引起环境的状态变化，

p r e S t a t e

是环境在交互前的状态，

p o s t S t a t e

是环境在交互后的状态。

这里的状态变化是指各个不同实体之间由于交互产生的状态转换，状态变化可能的路径：1）简单状态机中的状态变迁；2）从超状态到其子状态机的变迁；3）从子状态机到超状态的变迁。

定义9 影响

e f f e c t = d e f (I n t e r a c t i o n I n s t r, s t a t e S e t, C h a n g e s t a t e)

其中，

I n t e r a c t i o n I n s t r

为指令交互集，

s t a t e S e t

为交互引起变化的状态集，

C h a n g e s t a t e

为状态变化集，即

∀ s i, s j ∈ s t a t e S e t, ∃ I ∈ I n t e r a c t i o n I n s t r

，表示交互的行为功能；状态迁移

(t r a n s I = s i ↦ I s j) ∈ C h a n g e s t a t e

。

定义10 值变化

t r a n s v = p r e V a l u e ↦ v p o s t V a l u e

表示由值交互v引起环境的值变化，

p r e V a l u e

是交互前的值，

p o s t V a l u e

是交互后的值。

定义11 识别

s e n s e = d e f (I n t e r a c t i o n V a l, v a l u e S e t, C h a n g e V a l)

其中，

I n t e r a c t i o n V a l

为交互集，

v a l u e S e t

为变化的值集，

C h a n g e V a l

为值变化集，即

∀ s i, s j ∈ v a l u e S e t

，

∃ I ∈ I n t e r a c t i o n v a l

，表示交互产生的静态属性的改变；值迁移

(t r a n s v = s i ↦ v s j) ∈ C h a n g e V a l

。

I n t e r a c t i o n = I n t e r a c t i o n v a l ⋃ I n t e r a c t i o n I n s t r

，假设一个融合的交互系统

Θ

，存在有两个实体

e 1

和

e 2

，则这两个实体之间由于交互操作的不同，存在以下三种依赖关系：

1）指令交互依赖：

e 1 ↑ m s g ↔ Θ e 2 ? m s g

，表示

e 1

发出消息给

Θ

，则

e 2

可以通过

Θ

接收这条消息，然后触发

e 2

发生状态变迁；

2）写值交互依赖：

e 1 ↑ v a l u e (β) ↔ Θ (e 2 ?

v a l u e (β) → e 2 ≤ v a l u e (β))

，表示

e 1

发出静态属性

β

的值消息

v a l u e (β)

给

Θ

，则

e 2

可以通过

Θ

接收这条值消息，然后

e 2

将

v a l u e (β)

写入静态属性

β

；

3）读值交互依赖：

e 1 ≥ v a l u e (β) → Θ e 2 ?

v a l u e (β)

，表示

Θ

从

e 1

中读出静态属性

β

的值

v a l u e (β)

，然后通过

Θ

发送给

e 2

，则

e 2

可以通过

Θ

接收这条值消息。

由此，在融合交互系统

Θ

中，根据实体不同，存在三种交互操作过程：环境实体交互操作过程；物联网服务与环境实体交互操作过程；物联网服务交互操作过程。

环境实体交互操作过程：

1）发送消息操作：

e i ↑ m s g

，环境实体

e i

向另外一个环境实体发送一个消息

m s g

；

2）接收消息操作：

e j ? m s g

，环境实体

e j

接收另外一个环境实体发送的消息

m s g

；

3）发送值消息操作：

e i ↑ v a l u e (β)

，环境实体

e i

向另外一个环境实体发送一个属性

β

的值消息

v a l u e (β)

；

4）接收值消息操作：

e i ? v a l u e (β)

，环境实体

e i

接收外一个属性

β

的值消息

v a l u e (β)

；

5）写值操作：

e i ≤ v a l u e (β)

，将接收到的属性

β

的值

v a l u e (β)

写入到环境实体

e i

；

6）读值操作：

e j ≥ v a l u e (β)

，从环境实体

e j

中读取属性

β

的值

v a l u e (β)

。

物联网服务交互操作过程与环境实体类似，只不过交互的对象是RGPS语义基本矢量本体。

定义12 交互变迁图

I n t e r a T r a n G = d e f 〈 E, S I o T s e r v i c e, i n t e r a, H S M 〉

其中，

E = {e 1, …, e n}

是融合系统中的环境实体集；

S I o T s e r v i c e = {s 1, …, s n}

是物联网服务集；

i n t e r a

是物联网服务与环境实体之间的交互集；

H S M = {k (e i) ∨ k (s j) | e i ∈ E ∨ s j ∈ S I o T s e r v i c e}

是物联网服务集与环境实体集进行交互作用下的树形层次状态机。

虽然交互变迁图也是用来描述状态变迁的，但它与环境实体和RGPS语义矢量本体的树形层次状态机有不同的含义。RGPS语义矢量本体树形层次状态机刻画的是从一个初始状态出发，由外界触发状态变迁过程，其中状态是核心，状态改变的触发条件标记在连接两个状态的边上；而交互变迁图则同时刻画多种本体之间交互过程中的状态变迁，以及各实体交互之间的依赖关系。

3　基于价值服务空间模型的资源构造与应用

精准地对大数据价值服务知识模型进行建模及智慧化、有序化组织和管理，可规范大数据价值服务的个性化需求，引导按需价值服务的分析与发现，实现可选择、可伸缩的大数据高质量服务。以城市交通领域需求为例，对RGPS内容标签及其语义矢量在物联网服务中的应用进行说明。领域需求：为出行者提供行程规划。具体要求：1）为出行者提供关于交通条件和相关交通模式的信息；2）帮助出行者确定出行路径并提供完整的行程规划；3）提高用户的出行体验。限于文章的篇幅，仅分析城市交通服务需求中角色和目标的层次交互及其物联网服务调用。

3.1　价值服务空间的角色与目标资源分析

角色资源分析：出行者（Traveler），包括司机（Driver）、公交乘客（Public Transport Passenger）、行人（Pedestrian）等；操作员（Operator）：负责完成相应的处理任务，包括公交操作员（Public Transport Operator），路网操作员（Road Network Operator），出行信息操作员（Traveler info Operator）等；外部（交互协同）服务提供者（External Service Provider）：租车机构（Vehicle Renting Agency）、地理信息提供者（Geographic Information Provider，由GPS系统即全球定位系统提供）、天气信息提供者（Weather Information Provider）、实时位置信息提供者（Real time Position Info Provider）。

角色资源交互：1）出行者向出行信息操作员发送出行请求，出行信息操作员将会根据出行者的请求，制定行程规划并返回给出行者。为了制定行程规划，出行信息操作员需要向实时位置信息提供者查询出行者的当前位置信息，向路网操作员查询相关的路况信息。另外，根据客户的相关请求，联系外部服务提供者提供相应的服务；2）角色与参与者：司机甲（Driver-One）扮演了出行者的角色。其静态profile信息包括驾照信息，其动态情境信息包括当前位置。驾照信息将会在提交给实时位置信息提供者时进行核对，然后判断是否进行实时位置监控。司机甲的个人偏好目标是最少时间到达目的地；3）工作人员乙和自动应答系统扮演了路网操作员的角色；4） GPS系统扮演了实时位置信息提供者的角色；5）路网操作员的责任之一是查看道路交通状况。根据角色、状态机及功能的描述，当用户发出请求后，角色实体会发生相应的状态变化，其角色状态转换如图3所示。

目标资源分析：出行信息操作员（TravelerInfoOperator）提出行程帮助目标（gs₀：TripAssitance）。该目标可以分解为3个必选的子目标：生成出行偏好（gs₁：TripPreference）、准备出行规划（gs₂：TripPlan）、支持出行（gs₃：Trip）。其中，1）出行规划目标可以分解成两个必选的子目标：安排出行（gs₄：ArrTrip）和显示出行规划（gs₅：DisplayTrip），安排出行目标可以分解为两个必选的子目标：收集信息-（gs₆：CollectInfo）、生成路线（gs₇：GenRoute），收集信息目标可以进一步分解为２个多选多的子目标：收集交通信息（gs₈：CollectTrafficInfo）、收集天气信息（gs₉：CollectWeatherInfo），生成路线目标可以进一步分解为2个多选一的子目标：生成运输路线（gs₁₀：GenFFMRoute）、生成一般路线（gs₁₁：GenNormalRoute）；2） Support Trip可以分解为2个必选的子目标：跟踪出行者（gs₁₂：TrackTra）、通知出行者（gs₁₃：InformTra）。其中，跟踪出行者目标可以由GPS系统进行追踪（Track Traveler by GPS）；3）目标间的关联关系，如出行规划目标与出行偏好目标为并行关联，即进行出行规划制定（如住宿等）时要考虑出行者提供的出行偏好内容；出行安排目标依赖于信息收集和路线生成两个目标，即明确出行与路线信息后才能安排出行等。根据目标、状态机及功能的描述，当用户发出请求后，目标实体会发生相应的状态变化，其目标状态转换如图4所示。

3.2　物联网服务资源构造

如图5所示，在行程规划中，需要的服务输出是TripPlan（出行规划）。TripPlan是服务S5（创建出行规划）的输出。将S5加入到服务链中，并且S5的三个输入将作为新的需要得到的服务输出。其中，Weather是服务S2（获取天气数据）的输出。将S2加入到服务链中，服务S2的输入是City，而该输入是用户可以手工输入的信息，因此不需要请求其他服务。Traffic Info是服务S3（获取交通数据）的输出。将S3加入到服务链中。服务S3的输入也是City，同样无需请求其他服务。Route是服务S4（生成路线）的输出。将S4加入到服务链中。服务的S4的两个输入中，Destination是用户手工输入的，因此只需要将Current Position作为新的需要得到的服务输出。Current Position是服务S1（提供GPS服务）的输出，将S1加入到服务链中。服务S1的输入是Traveler，而该输入是用户手工输入信息，无需请求其他服务。这样，需要得到的服务输出集为空，服务链推理过程结束。按照逆向的方式编排服务，得到完整的服务链：S1在S4之前完成，S2、S3、S4并发执行，最后执行S5。在执行S5的过程中，需要考虑某些情境期望，如行程时间最短等。

综上所述，由RGPS语义矢量元模型引导的物联网服务总体状态转换如图6所示。

通过由OWL建立的RGPS引导的交通领域需求的本体，可以利用OWL的SWRL规则对这个本体行为进行约束，即行为属性。这里归纳1条由SWRL规则描述的行为属性如下：司机的年龄必须超过18岁：Traveler（？x），Driver（？x）→Integer［age

≥

18］（？age）；将这个规则描述转化为时序逻辑公式

p : ∀ x ∈ T r a v e l e r, x ∈ D r i v e r → x . a g e ≥ 18

，该规则表明GPS系统的使用者必须是该系统的合法用户。借助经典模型检测工具SPIN或nuSMV，可以验证由RGPS引导的物联网服务模型是否能满足期望的行为性质^［27］。

4　结语

本文提出面向领域主题的大数据价值服务的RGPS内容标签及其语义基本矢量。该方法可用于有序化地组织面向主题的大数据知识及其价值服务空间，有效地实施面向主题的大数据知识及其价值服务的规模化定制。通过物联网服务阐述了该方法如何进行特定领域中大数据价值服务空间模型的资源构造与应用，从而为“信息空间、物理世界、人类社会”三大世界融合过程中实现大数据价值服务提供行之有效的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	SINGH P. The small-world effect： The influence of macro-level properties of developer collaboration networks on open source project success ［J］. ACM Transactions on Software Engineering and Methodology， 2010， 20（2）：1-6. DOI： 10.1145/1824760.1824763 .

[2]	ZHANG N， WANG J， HE K Q， et al. Mining and clustering service goals for RESTful service discovery ［J］. Knowledge Information System，2019，58（3）：669-700. DOI： 10.1007/s10115-018-1171-4 .

[3]	ZHANG N， WANG J， MA Y T. Mining domain knowledge on service goals from text service description ［J］. IEEE Transactions on Services Computing，2017，10（1）：1-16. DOI： 10.1109/TSC.2017.269314 7 .

[4]	ZHANG N， WANG J， MA Y T， et al. Web service discovery based on goal-oriented query expansion ［J］. Journal of Systems and Software，2018，142：73-91. DOI： 10.1016/j.jss.2018.04.046 .

[5]	HE K Q， WANG J， LIANG P. Semantic interoperability aggregation in service requirements refinement ［J］. Journal of Computer Science and Technology， 2010，25（6）： 1103-1117. DOI： 10.1007/s11390-010-9392-3 .

[6]	王翀，何克清，王健，等.化解“信息孤岛”危机的软件模型按需服务互操作技术［J］.计算机学报，2018，41（6）：1094-1111. DOI： 10.11897/SP.J.1016.2018.01314 .

[7]	WANG C， HE K Q， WANG J， et al. On-demand interoperability techniques for software model services： A standardized solution for the information islands crisis ［J］. Chinese Journal of Computers，2018，41（6）： 1094-1111. DOI： 10.11897/SP.J.1016.2018.01314（Ch ）.

[8]	梁吉业，冯晨娇，宋鹏.大数据相关分析综述［J］.计算机学报，2016，39（1）：113-125. DOI： 10.11897/SP.J.1016. 2016.00001 .

[9]	LIANG J Y， FENG C J， SONG P. A Survey on correlation analysis of big data［J］. Chinese Journal of Computers， 2016，39（1）： 113-125.DOI： 10.11897/SP.J.1016. 2016.00001（Ch ）.

[10]	何克清，李兵，马于涛，等.大数据时代的软件工程关键技术［J］.中国计算机学会通讯，2014，10（3）：8-18.

[11]	HE K Q， LI B， MA Y T， et al. Key technologies of software engineering in the era of big data ［J］. Communications of the CCF， 2014，10（3）：8-18 （Ch）.

[12]	李学龙，龚海刚. 大数据系统综述［J］.中国科学：信息科学，2015，30（5）：1138-1150.

[13]	LI X L， GONG H G.A Survey on big data systems ［J］. Science China： Information Sciences， 2015，30（5）： 1138-1150 （Ch）.

[14]	李国杰.大数据研究的科学价值［J］.中国计算机学会通讯，2012，8（9）：8-15.

[15]	LI G J. The scientific value of big data research ［J］. Communications of the CCF，2012，8（9）：8-15 （Ch）.

[16]	李幼平，杨鹏. 共享文化大数据的新机制［J］.中国计算机学会通讯［J］，2013，9（5）：36-40.

[17]	LI Y P， YANG P. New mechanism for sharing cultural big data ［J］. Communications of the CCF， 2013，9（5）： 36-40 （Ch）.

[18]	程学旗，靳小龙，王元卓，等.大数据系统和分析技术综述［J］.软件学报，2014，25（9）：1889-1908.

[19]	CHEN X Q， JIN X L， WANG Y Z， et al. Survey on big data system and analytic technology ［J］. Journal of Software， 2014，25（9）：1889-1908. DOI： 10.13328/j.cnki.jos.004674（Ch ）.

[20]	阴艳超，张立童，廖伟智.多维知识资源云协同的服务行为建模［J］.计算机集成制造系统，2019，25（12）：3149-3159. DOI： 10.13196/j. cims.2019.12.016 .

[21]	YIN Y C， ZHANG L T， LIAO W Z. Multidimensional knowledge resource cloud collaborative service behavior modeling［J］. Computer Integrated Manufacturing Systems， 25（12）：3149-3159. DOI： 10.13196/j. cims.2019.12.016（Ch ）.

[22]	李琳，应时，董波，等.云环境中面向服务软件的演化部署优化方法［J］.中国科学：信息科学，2017，47（6）：715-735. DOI： 10.1360/N112016-00200 .

[23]	LI L， YIN S， DONG B， et al. Evolutionary deployment optimization for service-oriented software in cloud ［J］. Science China： Information Sciences， 2017，47（6）：715-735. DOI： 10.1360/N112016-00200（Ch ）.

[24]	何非，何克清.大数据及其科学问题与方法的探讨［J］.武汉大学学报（理学版），2014，60（1）：1-12.

[25]	HE F， HE K Q. The scientific problems and methodology of big data ［J］. Journal of Wuhan University （Natural Science Edition）， 2014，60（1）：1-12 （Ch）.

[26]	丁涛，闫光荣，雷毅，等.一种多层次制造服务建模和组合优选方法［J］.北京航空航天大学学报，2019，45（7）：1398-1405. DOI： 10.13700/j.bh.1001-5965.2018.0630 .

[27]	DING T， YAN G R， LEI Y， et al. A method of multi-level manufacturing service modeling and combinatorial optimal-selection ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2019，45（7）：1398-1405. DOI： 10.13700/j.bh.1001-5965.2018.0630（Ch ）.

[28]	李润晔，倪枫，刘姜，等.基于面向服务业务流程管理的系统架构建模［J］.上海理工大学学报，2019，41（6）：605-616. DOI： 10.13255/j.cnki.jusst.2019.06.016 .

[29]	LI R Y， NI F， LIU J， et al. System architecture modeling based on business process management and service-oriented architecture ［J］. Journal of University of Shanghai for Science and Technology， 2019，41（6）： 605-616.DOI： 10.13255/j.cnki.jusst.2019.06.016（Ch ）.

[30]	钱学森，于景元，戴汝为.一个科学新领域—开放的复杂巨系统及其方法论［J］.自然，1990，13（1）：3-10+64.

[31]	QIAN X S， YU J Y， DAI R W. A new discipline of science： the study of open complex giant system and its methodology ［J］. Chinese Journal of Nature， 1990，13（1）：3-10+64 （Ch）.

[32]	TONY H， STEWART T， KRISTIN T. The Fourth Paradigm： Data⁃Intensive Scientific Discovery ［M］. Redmond： Microsoft Research，2009.

[33]	SUPAKKUL S， ZHAO L， CHUNG L. GOMA： Supporting big data analytics with a goal-oriented approach［C］ //International Congress on Big Data. New York： IEEE Press，2016：149-156.

[34]	WANG J， HE K Q， GONG P， et al. RGPS： A unified requirements meta-modeling frame for networked software［C］//Proceedings of Third International Workshop on Advances and Applications of Problem Frames at 30th International Conference on Software Engineering. Berlin： Springer⁃Verlag，2008：29-35.

[35]	WANG J， FENG Z W， ZHANG J， et al. A Unified RGPS⁃Based Approach Supporting Service⁃Oriented Process Customization ［M］. Berlin： Springer⁃Verlag， 2013：657-682.

[36]	WANG J， GAO P， MA Y T， et al. A web service discovery approach based on common topic groups extraction［J］. IEEE Access，2019，5：10193-10208.

[37]	HE K Q， HE Y F. ISO/IEC 19763-3. Information Technology-Metamodel for Interoperability ［S］. Geneva： International Organization for Standardization，2010.

[38]	WANG P W， JIN Z， LIU L， et al. Building toward capability specifications of web services based on an environment ontology ［J］. IEEE Transactions on Knowledge and Data Engineering， 2008， 20（4）： 547-561.

[39]	王璞巍，金芝，刘红岩.网构软件实体的功能描述及其发现［J］.中国科学：信息科学，2009，39（12）：1271-1287.

[40]	WANG P W， JIN Z， LIU H Y. Functional description and discovery of network software entities ［J］. Science China： Information Sciences， 2009， 39（12）：1271-1287 （Ch）.

[41]	李力行，金芝.基于时间自动机的物联网服务建模和验证［J］.计算机学报，2011，34（8）：1365-1377.

[42]	LI L X， JIN Z. Modeling and verifying services of Internet of things based on timed automata ［J］. Chinese Journal of Computers， 2011，34（8）：1365-1377 （Ch）.