个性化网络学习服务的架构模式及数据源链接

关联数据应用架构是差异显著，在很大程度上取决于具体的使用情况。然而，在一般情况下，可以分为以下三种架构模式：

(1)抓取模式

这种应用模式首先通过遍历RDF链接抓取数据网络中的数据。之后，集成并清洗所发现的数据，并以原始数据集成视图形式提供给应用程序的更高层。抓取模式模仿传统网络搜索引擎的体系结构。该模式适用于开放、增长的数据源集合之顶端。因为新的源会有爬虫在运行时被发现。通过将缓存构造及随后在应用程序上下文中缓存使用任务进行分离，使应用程序能够以合理性对大量数据执行复杂查询。抓取模式的缺点在于，数据冗余，以及爬虫在一定的时间间隔内可能仅管理重新抓取的数据源，应用程序可能会因此而使用过时的数据。

(2)非关联化模式(www.xing528.com)

关联数据浏览器一般通过ON-THE-FLY非关联化模式来实现。在这种模式中，URIs被解除引用而链接指向应用程序所需要的数据。这种模式的优点在于，应用程序永远不会处理过时的数据。它的缺点是更复杂的操作极其缓慢，因为它们可能处于涉及成千上万的URIs取值的背景下。有研究者提出了一种依靠即时解引用模式处理数据网络复杂查询的体系结构，这项工作的结果显示可以很慢地执行查询来实现数据流及很高程度的完整性[32]。

(3)查询联合模式

查询联合模式依赖于将复杂查询(或复杂查询的部分)直接发送到固定的一组数据源。如果数据源除了通过非关联URIs向网络提供数据之外，还提供SPARQL端点服务，则该模式可以使用。此模式使应用程序得以以当前数据开展工作，而不必将完整的数据源复制到本地。数据库领域的研究人员对于联合法的缺陷进行了广泛研究。一个主要问题是，寻找面向大量数据源连接查询的高性能查询执行计划是极其复杂的，数据源的数量增长时，查询性能可能会显著下降。因此，查询的联合模式只应在已获知数据源数量较小的情况下应用。为了在此查询联合模式中提供对数据源发现的支持，应用程序可以访问数据源间的链接，检查这些数据源所提供的描述，然后将提供SPARQL端点的数据源纳入其联合查询目标名单中。