Schema matching is the task of disc

Schema matching is the task of discovering correspondences between semantically similar elements
of two schemas or ontologies [5, 11, 12, 13]. While
mappings between a source schema and target schema
specifies how the data in each of the source schemas
is to be transformed to targed schema. In this subsection, our emphasis is on schema matching as it
has been discussed in the survey by Rahm and Bernstein [16], and extended by Shvaiko and Euzenat in
[21] with respect to semantic aspects. We have designed several algorithms for schema matching particularly in a large scale context [18]. Due to space
limitation, we only describe the most recent of these
approaches.
The kernel of traditional matching tools is the aggregation function, which combines the similarity
values computed by different similarity measures.
However, the aggregation function entails several
major drawbacks: running all similarity measures
between all elements from input schemas is expensive in terms of time performance and it can neg atively influence the quality of matches. Furthermore, adding new similarity measures mainly implies to update the aggregation function. Finally,
a threshold is applied on the aggregated value; yet,
each similarity measure has its own value distribution, thus each should have its own threshold. The
novel approach we propose has been implemented
as a protoype named MatchPlanner [6], avoids the
aforementioned drawbacks. Its principle consists
in replacing the aggregation function by a decision
tree. Let us recall that decision trees are predictive models in which leaves represent classes and
branches stand for conjunction of features leading
to one class. In our context, a decision tree is a tree
whose internal nodes represent the similarity measures, and the edges stand for conditions on the
result of the similarity measure. Thus, the decision
tree contains plans (i.e., ordered sequences) of similarity measures.

Kết quả (Việt) 2:

Phù hợp với sơ đồ là nhiệm vụ khám phá ra sự tương ứng giữa các yếu tố ngữ nghĩa tương tự
của hai lược đồ hoặc các ontology [5, 11, 12, 13]. Trong khi
ánh xạ giữa một schema nguồn và giản đồ mục tiêu
quy định cụ thể như thế nào dữ liệu trong mỗi của các lược đồ nguồn
sẽ được chuyển vào lược đồ targed. Trong tiểu mục này, chúng tôi nhấn mạnh là trên kết hợp lược đồ như nó
đã được thảo luận trong các cuộc khảo sát của Rahm và Bernstein [16], và mở rộng bởi Shvaiko và Euzenat trong
[21] đối với các khía cạnh ngữ nghĩa với. Chúng tôi đã thiết kế một số thuật toán cho phù hợp với sơ đồ đặc biệt trong bối cảnh quy mô lớn [18]. Do không gian
hạn chế, chúng tôi chỉ mô tả gần đây nhất của các
phương pháp tiếp cận.
Hạt nhân của các công cụ phù hợp với truyền thống là chức năng tập hợp, kết hợp giữa sự tương tự
giá trị tính bằng các biện pháp tương tự khác nhau.
Tuy nhiên, chức năng tập hợp đòi hỏi một số
nhược điểm lớn: chạy tất cả giống nhau biện pháp
giữa tất cả các yếu tố đầu vào từ các lược đồ là tốn kém về thời gian thực hiện và nó có thể ảnh hưởng đến NEG atively chất lượng của trận đấu. Hơn nữa, việc thêm các biện pháp tương tự mới chủ yếu là ngụ ý để cập nhật các chức năng tập hợp. Cuối cùng,
một ngưỡng được áp dụng trên các giá trị tổng hợp; chưa,
mỗi biện pháp tương tự có phân phối giá trị riêng của nó, do đó mỗi nên có ngưỡng riêng của mình. Các
phương pháp mới chúng tôi đề xuất đã được thực hiện
như là một tạo các mẫu prototype có tên MatchPlanner [6], tránh được
những hạn chế nói trên. Nguyên tắc của nó bao gồm
trong việc thay thế chức năng tập hợp bởi một quyết định
cây. Chúng ta hãy nhớ lại rằng cây quyết định là mô hình dự báo, trong đó lá đại diện cho các lớp học và
các chi nhánh đứng cho kết hợp các tính năng hàng đầu
cho một lớp học. Trong bối cảnh của chúng tôi, một cây quyết định là một cây
có các nút nội bộ đại diện cho các biện pháp tương tự, và các cạnh đứng cho điều kiện về
kết quả của các biện pháp tương tự. Như vậy, quyết định
cây có chứa các kế hoạch (ví dụ, ra lệnh cho chuỗi) các biện pháp tương tự.