Web semántica y datos vinculados. Correcciones y adiciones

Quiero presentar al público un fragmento de este libro recientemente publicado:

Modelización ontológica de empresas: métodos y tecnologías [Texto]: monografía / [S. V. Gorshkov, S. S. Kralin, O. I. Mushtak y otros; editor ejecutivo S. V. Gorshkov]. - Ekaterimburgo: Editorial de la Universidad de los Urales, 2019 .-- 234 p .: Ill., Tab.; 20 cm. - autenticación están indicados en el reverso del tit. s - Bibliogr. al final del cap. - ISBN 978-5-7996-2580-1: 200 copias.

El propósito del cálculo de este fragmento en Habré es triple:

• Recopile preguntas y comentarios para tenerlos en cuenta al incluir este texto en forma revisada en otras publicaciones.
• Para hacer adiciones que no sean muy compatibles con el formato de la monografía impresa: notas temáticas (debajo están debajo de los spoilers) e hipervínculos; así como también hacer correcciones (debajo no están resaltadas de ninguna manera).
• Muchos partidarios de la Web Semántica y los Datos Vinculados todavía creen que su círculo es tan estrecho, principalmente porque el público en general todavía no se ha explicado bien al público qué son la Web Semántica y los Datos Vinculados. El autor del fragmento, aunque pertenece a este círculo, no se adhiere a esa opinión, pero, sin embargo, se considera obligado a hacer otro intento.

Contenido del párrafo

Web semántica
Datos vinculados
RDF
RDFS
SPARQL
Búho
Vinculación de datos empresariales
Conexión de datos empresariales
Literatura

Web semántica

La evolución de Internet se puede representar de la siguiente manera (o hablar sobre sus segmentos, formados en el siguiente orden):

1. Documentos en internet . Tecnologías clave: Gopher, FTP, etc.
   Internet es una red global para compartir recursos locales.
2. Documentos de internet . Las tecnologías clave son HTML y HTTP.
   La naturaleza de los recursos expuestos tiene en cuenta las características de su medio de transmisión.
3. Datos en internet . Tecnologías clave: REST y SOAP API, XHR, etc.
   Se puede decir que no solo las personas se convierten en consumidores de recursos.
4. Datos de internet . Las tecnologías clave son tecnologías de datos vinculados.
   Esta cuarta fase, predicha por Berners-Lee, creador de tecnologías clave de la segunda y directora del W3C, se llama Web Semántica; Las tecnologías de datos vinculados están diseñadas para hacer que los datos web no solo sean legibles por máquina, sino también "legibles por máquina".

La Web Semántica es más una visión sistémica del futuro de Internet que una tendencia específica espontánea o de cabildeo, aunque puede tener en cuenta estas últimas. Por ejemplo, una característica importante de lo que se llama Web 2.0 es el "contenido generado por el usuario". La recomendación de Ontología de Anotación Web del W3C y una iniciativa como Solid deben tomarla en cuenta.

De lo siguiente, el lector verá la correspondencia de los conceptos clave de la segunda y cuarta etapas:

• Las contrapartes de URL son URI,
• El equivalente de HTML es RDF,
• Los hipervínculos HTML son similares a las ocurrencias de URI en documentos RDF.

Datos vinculados

Berners-Lee definió Linked Data como una red semántica "bien hecha": un conjunto de enfoques y tecnologías para lograr sus objetivos finales. Los principios básicos de Linked Data Berners-Lee destacaron lo siguiente.

Principio 1 Usando un URI ( Identificador Uniforme de Recursos ) para nombrar entidades.

Los URI son identificadores de entidades globales en lugar de identificadores de registros de cadenas locales. Posteriormente, este principio se expresó mejor en el eslogan de Google Knowledge Graph " cosas, no cadenas ".

Principio 2 Usar URI en un esquema HTTP para que puedan ser desreferenciados.

En cuanto al URI, debería ser posible obtener el significado detrás de este significante (aquí la analogía con el nombre del operador " * " en C es clara); más precisamente, para tener una idea de esto, dependiendo del valor del encabezado Accept: HTTP. Quizás con el advenimiento de la era AR / VR, será posible obtener el recurso en sí mismo, por ahora, lo más probable, será un documento RDF que es el resultado de ejecutar una consulta DESCRIBE SPARQL.

Principio 3 Utilizando estándares W3C, principalmente RDF (S) y SPARQL, en particular, cuando se desreferencia URI.

Estas "capas" separadas de la pila de tecnología Linked Data, también conocida como el Pastel de capa de web semántica , se describirán a continuación.

Principio 4 El uso de referencias a otros URI al describir entidades.

RDF le permite limitarse a una descripción verbal del recurso en lenguaje natural, y el cuarto principio alienta a que esto no se haga. Con la observancia general del primer principio, es posible, al describir un recurso, referirse a otros, incluidos los "extraños", razón por la cual los datos se denominan relacionados. De hecho, es casi inevitable usar URI nombrados en el diccionario RDFS.

RDF

RDF (Marco de descripción de recursos) es un formalismo para describir entidades relacionadas.

Las declaraciones de la forma "sujeto-predicado-objeto", llamadas trillizos, se hacen sobre las entidades y sus relaciones. En el caso más simple, el sujeto, el predicado y el objeto son URI. El mismo URI puede estar en diferentes posiciones en diferentes tripletes: ser un sujeto, un predicado y un objeto; así, los trillizos forman un tipo de gráfico llamado gráfico RDF.

Los sujetos y los objetos pueden ser no solo URI, sino también los llamados nodos vacíos , y los objetos también pueden ser literales . Los literales son instancias de tipos primitivos que consisten en una representación de cadena y una declaración de tipo.

Ejemplos de escritura de literales (en la sintaxis de Turtle, ver más abajo): "5.0"^^xsd:float y "five"^^xsd:string . Los literales con el tipo rdf:langString también se pueden proporcionar con una etiqueta de idioma, en Turtle se escribe así: "five"@en y ""@ru .

Los nodos vacíos son recursos "anónimos" sin identificadores globales, que, sin embargo, pueden ser reclamados; un tipo de variable existencial

Entonces (esto, de hecho, es todo el punto de RDF):

• el sujeto es un URI o un nodo vacío,
• un predicado es un URI,
• Un objeto es un URI, un nodo vacío o un literal.

RDF es un modelo abstracto. RDF se puede escribir (serializar) en varias sintaxis: RDF / XML , Turtle (la mayoría de los humanos), JSON-LD , HDT (binario).

El mismo RDF se puede serializar en RDF / XML de varias maneras, por lo tanto, por ejemplo, el XML resultante no tiene sentido validar con XSD o tratar de recuperar datos usando XPath. Del mismo modo, es poco probable que JSON-LD satisfaga el deseo de un desarrollador de Javascript común de trabajar con RDF utilizando el punto Javascript y la notación de corchetes (aunque JSON-LD se está moviendo en esa dirección, lo que sugiere un mecanismo de trama ).

La mayoría de las sintaxis ofrecen formas de acortar los URI largos. Por ejemplo, la declaración @prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> en Turtle le permitirá escribir en lugar de <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> just rdf:type .

RDFS

RDFS (RDF Schema) es un diccionario de modelado básico que introduce los conceptos de propiedad y clase y propiedades como rdf:type , rdfs:subClassOf , rdfs:domain y rdfs:range . Usando el diccionario RDFS, por ejemplo, se pueden escribir las siguientes expresiones válidas:

 rdf:type rdf:type rdf:Property . rdf:Property rdf:type rdfs:Class . rdfs:Class rdfs:subClassOf rdfs:Resource . rdfs:subClassOf rdfs:domain rdfs:Class . rdfs:domain rdfs:domain rdf:Property . rdfs:domain rdfs:range rdfs:Class . rdfs:label rdfs:range rdfs:Literal . 

RDFS es un diccionario de descripción y modelado, pero no es un lenguaje de restricciones (aunque la especificación oficial deja la posibilidad de tal uso). La palabra "Esquema" no debe entenderse en el mismo sentido que en la expresión "Esquema XML". Por ejemplo :author rdfs:range foaf:Person significa que rdf:type todos los valores de :author propiedad :author es foaf:Person , pero no significa que esto deba decirse por adelantado.

SPARQL

SPARQL (Protocolo SPARQL y lenguaje de consulta RDF) es un lenguaje de consulta para datos RDF. En el caso simple, una consulta SPARQL es un conjunto de muestras con las cuales se comparan los tripletes del gráfico. Las variables se pueden encontrar en muestras en las posiciones de sujetos, predicados y objetos.

La consulta devolverá tales valores de variables que, cuando se sustituyen en muestras, pueden producir un subgráfico del gráfico RDF interrogado (un subconjunto de sus tripletes). Las variables del mismo nombre en diferentes muestras de triplete deben tener el mismo valor.

Por ejemplo, en el conjunto anterior de siete axiomas RDFS, la siguiente consulta devolverá rdfs:domain y rdfs:range como los valores de ?s y ?p respectivamente:

 SELECT * WHERE { ?s ?p rdfs:Class . ?p ?p rdf:Property . } 

Vale la pena señalar que SPARQL es declarativo y no es un lenguaje para describir el recorrido del gráfico (sin embargo, algunos repositorios RDF ofrecen formas de ajustar el plan de ejecución de consultas). Por lo tanto, algunas tareas gráficas estándar, por ejemplo, encontrar la ruta más corta, no se pueden resolver en SPARQL, incluido el uso del mecanismo de rutas de propiedad (pero, una vez más, los repositorios RDF individuales ofrecen extensiones especiales para resolver estos problemas).

SPARQL no comparte la presunción de la apertura del mundo y sigue el enfoque de "negación como falla"; en él FILTER NOT EXISTS {…} posibles construcciones como FILTER NOT EXISTS {…} . La distribución de datos se tiene en cuenta utilizando el mecanismo de consulta federado .

El punto de acceso SPARQL, un almacén RDF capaz de manejar consultas SPARQL, no tiene contrapartes directas de la segunda etapa (consulte el comienzo de esta sección). Se puede comparar con una base de datos basada en el contenido de las páginas HTML que se generaron, pero accesible externamente. El punto de acceso SPARQL es análogo al punto de acceso API de la tercera etapa, pero con dos diferencias principales. En primer lugar, es posible combinar varias consultas "atómicas" en una (que se considera una característica clave de GraphQL), y en segundo lugar, dicha API está completamente auto documentada (que fue lo que HATEOAS intentó lograr).

Hay formas menos completamente funcionales de organizar el acceso a los datos RDF, por ejemplo, Fragmentos de datos vinculados (LDF) y Plataforma de datos vinculados (LDP).

Búho

OWL (lenguaje de ontología web): formalismo de la representación del conocimiento, versión sintáctica de la lógica descriptiva $$$\ mathcal {SROIQ (D)}$(en todas partes debajo es más correcto decir OWL 2, la primera versión de OWL se basó en $$$\ mathcal {SHOIN (D)}$)

Las clases corresponden a conceptos de lógica descriptiva en OWL, las propiedades corresponden a roles, los individuos conservan su nombre anterior. Los axiomas también se llaman axiomas.

Por ejemplo, en la llamada sintaxis de Manchester para escribir OWL, ya conocemos el axioma $$$\ mathsf {Parent} \ equiv \ mathsf {Human} \ sqcap \ exist \ mathsf {hasParent} ^ {-} \ mathsf {.Human}$se escribirá así:

 Class: Human Class: Parent EquivalentClass: Human and (inverse hasParent) some Human ObjectProperty: hasParent 

Existen otras sintaxis para escribir OWL, por ejemplo, la sintaxis funcional utilizada en la especificación oficial y OWL / XML . Además, OWL se puede serializar a la sintaxis RDF abstracta y luego a cualquiera de las sintaxis específicas.

OWL en relación con RDF actúa en dos aspectos. Por un lado, puede considerarse como un tipo de diccionario que extiende RDFS. Por otro lado, es un formalismo más poderoso, para el cual RDF es solo un formato de serialización. No todas las construcciones elementales de OWL se pueden escribir usando un solo triplete RDF.

Dependiendo de qué subconjunto de las construcciones OWL se les permite usar, hablan sobre los llamados perfiles OWL . Los estandarizados y más famosos son OWL EL, OWL RL y OWL QL. La elección del perfil afecta la complejidad computacional de las tareas típicas. Un conjunto completo de diseños OWL a juego $$$\ mathcal {SROIQ (D)}$, llamado OWL DL. A veces también hablan de OWL Full, en el que las construcciones de OWL pueden usarse con total libertad inherente a RDF, sin limitaciones semánticas y computacionales. $$$\ mathcal {SROIQ (D)}$. Por ejemplo, algo puede ser tanto una clase como una propiedad. OWL Full no tiene solución.

Los principios clave para adjuntar efectos a OWL son la aceptación de la suposición de mundo abierto ( OWA ) y el rechazo de la presunción de suposición de nombre único ( UNA ). A continuación, veremos a qué pueden conducir estos principios y nos familiarizaremos con algunas construcciones de OWL.

Deje que la ontología contenga el siguiente fragmento (en la sintaxis de Manchester):

 Class: manyChildren EquivalentTo: Human that hasChild min 3 Individual: John Types: Human Facts: hasChild Alice, hasChild Bob, hasChild Carol 

¿Se deducirá de lo anterior que John es grande? La negativa de UNA obligará al motor de salida a responder negativamente a esta pregunta, porque Alice y Bob pueden ser la misma persona. Para que suceda lo siguiente, debe agregar el siguiente axioma:

 DifferentIndividuals: Alice, Bob, Carol, John 

Ahora, el fragmento de la ontología tiene la siguiente forma (se declara que John es grande, pero solo tiene dos hijos indicados):

 Class: manyChildren EquivalentTo: Human that hasChild min 3 Individual: John Types: Human, manyChildren Facts: hasChild Alice, hasChild Bob DifferentIndividuals: Alice, Bob, Carol, John 

¿Esta ontología será inconsistente (que puede interpretarse como evidencia de datos no válidos)? La adopción de OWA obligará al motor de salida a responder negativamente: "en otro lugar" (en otra ontología) bien podría decirse que Carol también es hija de John.

Para excluir la posibilidad de esto, agregamos un nuevo hecho sobre John:

 Individual: John Facts: hasChild Alice, hasChild Bob, not hasChild Carol 

Para excluir la apariencia de otros niños, decimos que todos los valores de la propiedad “tener un hijo” son personas, de las cuales solo tenemos cuatro:

 ObjectProperty: hasChild Domain: Human haracteristics: Irreflexive Class: Human EquivalentTo: { Alice, Bill, Carol, John } 

Ahora la ontología se volverá controvertida, y el motor de salida no dejará de informar. El último de los axiomas, en cierto sentido, "cerramos" el mundo y observamos cómo se excluye la posibilidad de que John sea un niño para sí mismo.

Vinculación de datos empresariales

Un conjunto de enfoques y tecnologías Linked Data fue originalmente diseñado para publicar datos en la web. Su uso en el entorno corporativo enfrenta una serie de dificultades.

Por ejemplo, en un entorno corporativo cerrado, el poder deductivo de OWL, basado en la adopción de OWA y el rechazo de UNA, decisiones debido a la naturaleza abierta y distribuida de la web, es demasiado débil. Y aquí son posibles las siguientes salidas.

• Empoderamiento de la semántica de OWL, que implica el abandono de OWA y la adopción de UNA, la implementación del motor de salida correspondiente. - De esta manera va el almacenamiento Stardog RDF.
• El abandono de las capacidades deductivas de OWL a favor de los motores de reglas. - Stardog es compatible con SWRL ; Jena y GraphDB ofrecen sus propios lenguajes de reglas.
• Rechazo de posibilidades deductivas de OWL, uso para modelar uno u otro subconjunto cercano a RDFS. - Ver más sobre esto más tarde.

Otro problema es la atención más significativa que en el mundo corporativo es posible dedicar a los problemas de calidad de los datos y la falta de herramientas de validación de datos en la pila de datos vinculados. Las salidas son las siguientes.

• Nuevamente, el uso de construcciones OWL con la semántica de un mundo cerrado y la unicidad de los nombres en presencia de un motor de salida apropiado para la validación.
• Usando SHACL , estandarizado después de que se reparó la lista de capas de Semantic Web Layer Cake (sin embargo, también se puede usar como un motor de reglas) o ShEx .
• La constatación de que todo se hace en última instancia mediante consultas SPARQL, la creación de nuestro propio mecanismo simple para la validación de datos mediante su uso.

Sin embargo, incluso un rechazo completo de las capacidades deductivas y las herramientas de validación deja a la pila de datos vinculados sin rival en tareas que son similares a las tareas de integración de datos abiertas y distribuidas en la web.

La práctica muestra que la pila se usa con mayor frecuencia en tareas relacionadas con la distribución y la heterogeneidad de los datos, por ejemplo, al construir sistemas de clase MDM (Master Data Management) o DWH (Data Warehouse). Dichas tareas están disponibles en cualquier industria.

En cuanto a las aplicaciones específicas de la industria, las tecnologías de datos vinculados son actualmente las más populares en las siguientes industrias.

• tecnologías biomédicas (donde su popularidad aparentemente está relacionada con la complejidad del área temática);

• la fabricación y operación de productos complejos (ingeniería a gran escala, producción de petróleo y gas; a menudo estamos hablando de la norma ISO 15926 );

• organizaciones financieras (incluso XBRL puede considerarse como un híbrido de SDMX y ontología RDF Data Cube);

• sistemas de preguntas y respuestas que tienen aplicaciones comerciales (IBM Watson, Apple Siri, Google Knowledge Graph);

• publicación de datos estructurados (con buena razón esto ya puede atribuirse a los datos abiertos vinculados).

También le recomendamos que se familiarice con la lista de usuarios de la tienda Stardog RDF en el sitio web de Stardog en la sección Clientes.

Sea como fuere, en el 2016 Gartner Hype Cycle for Emerging Technologies Enterprise Taxonomy and Ontology Management se colocó en medio del descenso al valle de la decepción con la perspectiva de alcanzar la "meseta de productividad" no antes de 10 años después.

Conexión de datos empresariales

Sin embargo, ya en el "Hype Cycle ..." de 2018, apareció otra tendencia alcista: Knowledge Graphs. Hubo una cierta reencarnación: los DBMS gráficos, que llamaron la atención de los usuarios y la fuerza de los desarrolladores, bajo la influencia de las solicitudes de los primeros y los hábitos de los últimos, comenzaron a adquirir los contornos y el posicionamiento de sus predecesores-competidores.

Casi todos los gráficos DBMS ahora se proclaman una plataforma adecuada para construir un "gráfico de conocimiento" corporativo ("datos vinculados" a veces se reemplaza por "datos conectados"), pero ¿qué tan justificadas están tales afirmaciones?

Las bases de datos de gráficos siguen siendo asépticas, los datos del DBMS de gráficos siguen siendo el mismo silo de datos. URI , RDF- RDF-. — LPG, .

, . , SQL.

, RDF- LPG. , Blazegraph: RDF*, RDF LPG.

Literatura

1. Halpin, H., Monnin, A. (eds.) (2014) Philosophical Engineering: Toward a Philosophy of the Web
2. Allemang, D., Hendler, J. (2011) Semantic Web for the Working Ontologist (2nd ed.)
3. Staab, S., Studer, R. (eds.) (2009) Handbook on Ontologies (2nd ed.)
4. Wood, D. (ed.). (2011) Linking Enterprise Data
5. Uschold M. (2018) Demystifying OWL for the Enterprise
6. Keet, M. (2018) An Introduction to Ontology Engineering