以前对模式集成并没有探究，总是将模式等同与数据库的表定义，或者xml schema。今天想到xml 数据与RDB数据的集成分为两个层次，一个是两种数据存储格式间的映射，然后才是相同语义的不同元素间的映射。
联想到元模型概念，可以这么类比
数据存储格式(xml，RDB,text) 元模型
具体应用数据的字段定义，字段含义 模型
具体数据 实例
对于元模型的模式集成，通过不同数据存储方法的映射，可以提供统一的解决办法。
对于实例层，则是数据集成讨论的问题，需要解决数据语义冲突，数据实例转换
而我们通常讨论的模式集成（schema mapping） 应该是模型层次的集成。
模式集成最初提出是为了设计全局模式来支持全局的查询。
它的一个关键问题是模式匹配，一个是查询分解。
匹配：两个或多个模式通过一定算法，找到每个元素语义上最接近的元素的过程
通过匹配过程，找到了一部分元素的对应的关系，但是可能存在语义冲突，比如3个模式，其中一个模式与其他两个模式都找到了对应关系，这里可能会出现，对应的两个模式的数据可能会重复，或者不一致。 还有可能某些元素并没有找到合适的匹配。 所以可能需要人为参与来决定具体的映射关系。
最后将结果表示成映射，用于模式转换。
还有一个词语义集成(semantic integration),同时还有 ontology integration ,及前面的schema mapping，这
三个词需要区分开。
schema mapping的提出主要为了解决关系数据库模式的集成，和xml schema集成中的匹配问题，后来知识库德发展，本体论的发展，很多数据以本体的形式存在，所以在知识库中存在Ontology mapping的问题。
同时，很多人尝试将schema转为为ontology，在ontology领域解决匹配问题。在ontology中可以利用很多语义信息，比如class of,child of 等，来提高匹配准确度。
我们可以看到，所有的匹配都是为了找语义上最相近的元素。所以我认为schema mapping ,ontolgoy mapping都可以看作semantic mapping的具体方法。
匹配的方法主要为两种：1 语言级的匹配技巧 2机器学习
对于大规模schema,或者Ontology进行自动化匹配是十分重要的技术，但是由与它和自然语言理解的本质渊源，所以是不可能全自动化精确匹配的。 但是通过研究提出精确度较好的匹配技术，仍然有很大的实践意义。
对这个方向感兴趣的朋友欢迎讨论！