В данной работе описаны проблемы, возникающие в процессе использования данных из облака LOD для обогащения контента научных баз данных и знаний и подходы к их решению. Эксперименты выполнялись при помощи набора инструментов, разработанного для упрощения анализа данных из разных наборов. В качестве тестовых примеров использовались данные открытого Архива СО РАН, и его онтология ОНС, а также различные наборы библиографических данных, структурированные при помощи онтологии AKT Reference ontology. В связи с бурно развивающимся направлением Semantic Web и его н овой ветвью LOD (Связанные Открытые Данные) в Интернете стан овятся доступными большие объемы информации, посвященной различным научным направлениям. Облако LOD содержит в настоящий момент более 28 миллиардов троек RDF. С одной стороны, эти данные могут быть использованы для обогащения имеющихся семантических баз данных, с другой стороны, имеющиеся базы данные могут быть также полезны для уточнения информации, хранящейся в облаке LOD.
В работе [
(а)
(б)
Рис. 1. (а) Классы и отношения онтологии ОНС, (б)
классы и отношения AKT reference ontology.
На Рис. 1(а) показано изображение онтология
ОНС открытого архива СО РАН, построенное
нашей программой визуализации [
Для сравнения, на Рис. 1(б) показаны классы и
отношения AKT reference ontology [
Попытки установления соответствия между
этими онтологиями при помощи одной из лучших
программ выравнивания AgreementMaker [
Рассмотрим для определенности случай генерации экземпляра класса онс:participation по отношению akt:has-affiliation между экземпляром класса akt:Employee и экземпляром класса akt:Organization. Для пополнения открытого архива информацией о местах работы из одного библиографических порталов нам потребуется сначала установить соответствие между экземплярами классов akt:Person и онс:person, aktOrganization и онс:org-sys, а затем для каждого факта наличия отношения akt:has-affiliation между экземплярами классов akt:Person и akt-Organization потребуется сгенерировать новый экземпляр класса онс:participation, а также связать его отношением онс:in-org с соответствующим экземпляром класса онс:org-sys, и отношением онс:participant с соответствующим экземпляром класса онс:person. При обратной трансляции нам потребуется генерировать отношения akt:works-for соответствующие экземплярам класса онс:participation.
Поскольку в онтологии ОНС имеется достаточно много классов, аналогичных классу онс:participation, систематически возникает необходимость устанавливать соответствие между различными группами классов и отношений этих двух онтологий. А именно, необходимо установить соответствие между группой вида "Class 1-relation1Class2" онтологии AKT Reference ontology и одной или несколькими группами вида "Class3- relation2Class4-relation3-Class5" онтологии ОНС. При это м между объектами классов Class1 и Class3 следует установить связи типа owl:sameAs также как и для классов Class 2 и Class5. Помимо этого, необходимо сгенерировать экземпляр класса Class4 для каждой тройки <Class1:instance1, relation1, Class2:instance2>. Такая трансляция может быть осуществлена при помощи запроса SPARQL 1.1. Упрощенная версия этого запроса имеет следующий вид:
PREFIX akt:<http://www.aktors.org/ontology/portal#> PREFIX akts:<http://www.aktors.org/ontology/support#> CONSTRUCT { _:p a iis:Class4. _:p iis:relation2 ?instance1. _:p iis:relation3 ?instance2. } WHERE { ?instance1 akt:relation1 ?instance2. ?instance1 a akt:Class1. ?instance2 a akt:Class2. } Рис. 2 Интерактивное установление соответствия между классами и отношениями двух онтологий. 3 Проблема установления идентичности сущностей
Как уже было сказано выше, существенным моментом обогащения одной базы знаний при помощи другой является этап установления идентичности сущностей в наборах данных LOD и данных открытого архива, то есть, генерация отношений вида owl:sameAs. Рассмотрим следующий пример. В Открытом архиве имеется экземпляр класса онс:person, описывающий бывшего директора ИСИ СО РАН В.Е Котова: <person rdf:about="piu_200809052136"> <name xml:lang="ru">Котов Вадим Евгеньевич</name>
<name xml:lang="en">Kotov, Vadim Yevgenievich</name> <from-date>1938-07-23</from-date> <sex>m</sex> </person> Также, в Открытом архиве СО РАН имеется достаточно подробная информация о его местах работы как в различных организациях СО РАН, так и в США. При этом отсутствуе т информация о его публикациях. С другой стороны, достаточно много информации о публикациях В.Е. Котова содержится в различных наборах данных облака LOD таких как: acm.rkbexplorer.com, dblp.rkbexplorer.com, citeseer.rkbexplorer.com. Но в этих наборах данных нет информации о местах работы В.Е. Котова, присутствующей в Открытом архиве. Для взаимовыгодного обмена данными надо, прежде всего, связать отношением owl:sameAs экземпляры наборов данных из Открытого архива и LOD. Первая проблема связана с тем, что хоть имена персон и описаны при помощи одного и того же атрибута akt:full-name , этот атрибут может иметь разные значения не только в разных наборах облака LOD, но и в одном и том же наборе. Например, в наборе данных http://acm.rkbexplorer.com , в качестве свойства akt:full-name используются следующие идентификаторы: Vadim E. Kotov, V. Kotov, Vadim Kotov, V.E. Kotov. При этом каждому из этих имен соответствует отдельный идентификатор персоны, поэтому если мы строим запрос о публикациях, выдается по одной-две публикации соответствующей каждой из этих (РАЗНЫХ!) персон.
В настоящий момент все эти данные собираются
в полу-автоматическом режиме при помощи
программы SILK[
Наши эксперименты с полнотекстовыми версиями документов показали, что, во-первых, в них часто указываются места работы авторов, которые можно было бы сравнить с имеющимися в Открытом архиве списком мест и дат работы для каждой персоны. Во-вторых, авторы часто ссылаются на свои прежние публикации, что позволяет связывать в одну цепочку работы одного и того же автора. К сожалению, на сайтах указанного набора эта информация представлена неполно. Редко указаны места работы персон, а их временные границы не указаны совсем. Что же касается списков цитирования, то эта информация на данный момент тоже отражена неполно. Для многих персон из Открытого Архива, редко имеется информация более чем о двух ссылках из списка публикаций каждой из статей. Виду неполноты имеющейся информации планируется в дальнейшем извлекать информацию из полнотекстовых версий публикаций.
Для включения данных о публикациях Котова В.Е. в контент открытого архива, необходимо выполнить следующие трансформации (что опять же связано с различиями в онтологическом строении этих наборов данных). Во-первых, для каждого экземпляра класса akt: publication-reference следует создать экземпляр класса онс:document, а затем для каждого отношения akt:has-author AKT Reference ontology надо сгенерировать объект класса онс:authorship онтологии ОНС, после чего сгенерировать отношения онс:adoс и онс:author, связывающие индивид класса онс:authorship с соответствующими индивидами классов онс:person и онс:document. Эти трансформации выполняются при помощи SPARQL-запроса, аналогичного описанному выше. 4 Визуализация результатов Sparqlзапросов для трансформации и анализа наборов данных
Основным инструментом исследования
наполнения семантических систем в нашей системе
является построение SPARQL-запросов и
визуализация их результатов при помощи либо
стандартного, либо специализированного алгоритма
визуализации. Для этого нами реализована
программа, позволяющая генерировать
SPARQLзапросы к любой исследуемой семантической
системе и получать результаты запроса, как
текстовом виде, так и в виде графа. На Рис. 3
показано окно для ввода SPARQL-запросов и
вывода результатов запроса в текстовом виде. Окно
состоит из трех панелей. Панель справа показывает
список основных классов и отношений исследуемой
системы, верхняя панель предназначена для ввода
SPARQL-запроса. В данный момент там имеется
sparql-запрос на генерацию графа, ребрами которого
являются отношения «коллега», соответствующие
тому, что люди работают в одной организации. Для
упрощения понимания запрос генерирует также
ребро к вершине, соответствующей организации, в
которой работают коллеги. Нижняя панель выдает
результаты запроса в текстовом виде. Помимо этого,
в верхней правом углу есть две кнопки,
позволяющие либо сгенерировать результат запроса
в виде графа, либо дополнительно осуществить
кластеризацию одной из связных компонент
полученного результата. Поскольку данная
возможность визуализации предусмотрена для
графов произвольной структуры, используется
силовой алгоритм[
На Рис. 4(а) показан результат данного запроса в виде графа. (а) (б) Рис. 4. Сети, выдаваемые в результате запросов к семантической системе открытого архива СО РАН.
Граф состоит из нескольких компонент связности. Люди сгруппированы вокруг организаций, в которых они работают или работали. Следует отметить, что поскольку указанный запрос не использовал фильтрацию по дате работы, некоторых людей ребра связывают с несколькими организациями. Так на Рис. 4(б) показан фрагмент изображения с Рис. 4(а), на котором видно, что Заключение
В данной работе рассмотрены проблемы обогащения научных баз знаний при помощи контента библиографических порталов из облака LOD и подходы к их решению. Сравниваются онтология ОНС и AKT Reference ontology и соответствие между наборами данных, основанных на этих онтологиях, устанавливается при помощи SPARQL-запросов, которые могут быть сгенерированы на основе визуализации онтологий.
Эксперименты показали, что для выравнивания онтологий недостаточно установления простых соответствий и могут потребоваться более сложные шаблоны. Также продемонстрировано, что обычные инструменты, применяемые для установления идентичности сущностей на основе метрик сходства, не позволяют различать авторов публикаций, являющихся тезками или даже однофамильцами. Для решения этой проблемы планируется использовать информацию о временных границах мест работы персон, описанных в Открытом Архиве СО РАН, а также методы изучения сетей самоцитирования. Благодарности
Работа выполнена при финансовой поддержке РФФИ (проект № 11-07-00388). Литература
Problems of using the LOD cloud datasets to enrich the content of scientific data and knowledge bases
This paper describes some problems arising during the use of the LOD cloud datasets to enrich the content of scientific knowledge bases and approaches to their solution. The experiments are carried out with the help of a toolkit intended to simplify analysis and integration of data from different datasets. The dataset of the Open Archive of the Russian Academy of Sciences, based on the ONS ontology, as well as various bibliographic datasets , structured by AKT Reference ontology, are used as test examples.