Linked Data refers to a set of principles and best practices for publishing and linking structured data on the web. The linked data research community has been publishing library data using the standard RDF, a graph-based data model. These RDF graphs are stored in a speci c type of database called triplestore and provides a SPARQL endpoint for querying them. However, these triplestores are not optimized for executing real-time queries submitted by the users, a ecting the response time and usability in real environments. In this paper, we propose an index-based method for optimizing the query response time and solve the issues related to search and retrieval in large RDF graphs stored in triplestores. To prove the feasibility of the method proposed, it was applied to a semantic digital library, improving the query response time.
Resumen Los datos enlazados se re eren a un conjunto de principios y buenas practicas para la publicacion y enlazado de datos estructurados en la web. En los ultimos an~os se han publicado datos bibliogra cos utilizando el modelo de datos basado en grafos RDF. Los grafos RDF son almacenados en un tipo espec co de base de datos conocidos como almacen de tripletas. Los almacenes de tripletas proporcionan un punto de acceso para la realizacion de consultas en el lenguaje SPARQL. Sin embargo, estos sistemas de almacenamiento no estan optimizados para la ejecucion de consultas realizadas por los usuarios en tiempo real, afectando el tiempo de respuesta y por tanto la usabilidad de los datos en entornos reales. En este art culo se propone un metodo basado en ndices para la optimizacion del tiempo de respuesta a consultas realizadas en un punto de acceso SPARQL, mejorando los procesos de busqueda y recuperacion de datos en grandes grafos RDF. Para comprobar la aplicabilidad del metodo propuesto, se aplico el mismo en una biblioteca digital basada en datos enlazados, obteniendose una mejora en los tiempos de respuestas obtenidos en la experimentacion.
El transito hacia la Web Semantica requiere de una adecuada estructuracion
e integracion de datos; esto propicio que [
La Web Semantica se basa en dos conceptos fundamentales: (1) la descripcion
del signi cado que tiene los contenidos en la web y (2) la manipulacion
automatica de estos signi cados [
En el caso de RDF se de ne como un lenguaje para representar la
informacion acerca de los recursos en la web. Esta destinado especialmente para la
representacion de metadatos sobre recursos web, como el t tulo, autor y fecha de
modi cacion, entre otros, as como la disponibilidad para algunos recursos
compartidos. RDF se encuentra recogido en 6 recomendaciones del W3C: Primer,
Concepts, Syntax, Semantics, Test Cases y Vocabulary (Schema), usado para
describir las propiedades y las clases de los recursos RDF con una semantica
para establecer jerarqu as de generalizacion entre dichas propiedades y clases
[
Para [
RDF esta basado en la idea de que los recursos (sujeto) a describir, poseen
propiedades (predicado) que a su vez tienen valores (objeto). Estos recursos
pueden ser descritos formulando \declaraciones" que especi can estas propiedades
y valores, en forma de grafo de nodos y arcos que representan los recursos, y sus
propiedades y valores [
Asociado a RDF se de ne la estandarizacion del lenguaje de consultas SPARQL.
Este lenguaje se puede utilizar para expresar consultas a traves de diversas
fuentes de datos, ya sea que los datos se almacenen de forma nativa como RDF o
se visualicen como RDF a traves de un middleware. SPARQL contiene
capacidades para consultar patrones sobre grafos obligatorios y opcionales junto con
sus conjunciones y disyunciones. SPARQL tambien admite agregacion,
subconsultas, negacion, creacion de valores por expresiones y consultas restrictivas por
grafo RDF. Los resultados de las consultas SPARQL pueden ser conjuntos de
resultados o grafos RDF [
La evolucion de RDF y SPARQL, en el contexto de la web semantica, ha
propiciado el surgimiento de muchos sistemas capaces de almacenar, consultar y
actualizar RDF, tales como Ontotext GraphDB 1 , Virtuoso 2, Jena 3 ,etc. Cada
uno de estos sistemas provee de un SPARQL Endpoint. Un SPARQL Endpoint
es el principal modo para acceder a los datos porque es una forma exible de
interactuar con la Web de los datos. Ademas, devuelve respuestas a consultas
en varios formatos, como XML y JSON, que son ampliamente utilizados como
estandares de intercambio de datos en diversas aplicaciones [
En [
Todo lo que sea inferior a 10 segundos necesita un indicador de porcentaje de realizacion y una forma claramente sen~alizada para que el usuario interrumpa la operacion.
Figura 1. Comparacion del tiempo de respuesta con diferentes l mites en una consulta
SPARQL. Fuente: [
Cuando se realiza la comparacion entre los tiempos obtenido por [
Los principales enfoques [
En este art culo se propone un metodo para la indizacion de grafos RDF desde un SPARQL Endpoint. El metodo propuesto soporta la indizacion de las tripletas almacenadas en un almacen de tripletas hacia un servidor de indizacion. La indizacion de estas tripletas permite la reduccion del tiempo de respuesta de consultas realizadas por los usuarios sobre el conjunto de datos RDF almacenados en el almacen de tripletas. 2
Los ndices son estructuras de datos optimizadas que permiten transformar el
texto en un formato donde la busqueda sea mas rapida, eliminando el proceso
de exploracion lento a consultas formuladas por los usuarios. Este proceso de
conversion es llamado indizacion mientras al archivo resultante se le llama ndice
[
La indizacion, segun [
Para lograr la indizacion correcta de un documento o solicitud de busqueda es necesario utilizar los lenguajes de indizacion existentes. Estos lenguajes arti ciales, llamados lenguajes de busqueda informativa, lenguajes de indizacion, lenguajes documentales, lenguajes de almacenamiento y recuperacion, entre otras denominaciones, son herramientas auxiliares, creadas por el hombre con el proposito de expresar el contenido semantico fundamental de los documentos o solicitudes de informacion y localizar la informacion que responda a las necesidades de los usuarios.
Para considerar que un documento se indizo correctamente es necesario
considerar dos aspectos fundamentales en la indizacion: (1) la exhaustividad y (2)
la especi cidad. La exhaustividad se de ne como la cantidad de conceptos
considerados que son representativos del contenido ntegro de un documento. La
especi cidad es el nivel de detalle y exactitud de la representacion de un
concepto particular. Indica [
Como parte de las herramientas de indizacion examinadas destacan: Solr: Un ndice en Solr posibilita llevar a cabo de manera optima: la busqueda de texto completo, agregados y ltrado. Solr acepta documentos JSON, pudiendo transformar su documento RDF en un documento JSON-LD (que es un formato de serializacion RDF). Por otra parte SolrRDF (entiendase Solr + RDF) es un conjunto de extensiones para la gestion de Solr ( ndice y busqueda) de datos RDF siendo posible indizar triples al cluster y realizar consultas SPARQL (ASK, CONSTRUCT, SELECT y DESCRIBE) y actualizaciones (como INSERT y DELETE) a cualquier nodo del cluster obteniendo como respuesta un XML, siendo compatible con SPARQL Endpoint 1.1.
Elasticsearch5: Basado en Lucene proporciona capacidades distribuidas. Distribuido, con busqueda RESTful y analisis capaz de resolver un numero creciente de casos de uso.
Jena ARQ: es un motor de busqueda de Jena que soporta el lenguaje de consultas SPARQL. En Jena, toda la informacion de estado proporcionada por un conjunto de tripletas RDF esta contenida en una estructura de datos llamada modelo. El modelo representa un grafo RDF, llamado as porque contiene una coleccion de nodos RDF, unidos entre s por relaciones marcadas. Entre las capacidades de Jena ARQ destacan: busqueda de texto libre a traves de Lucene; actualizacion, acceso y la extension del algebra de SPARQL; apoyo a las funciones de ltro personalizados; funciones de propiedad para un tratamiento personalizado de relaciones semanticas; y apoyo al cliente para el acceso remoto a cualquier SPARQL Endpoint.
Apache Lucene6: es el principal motor de busqueda de codigo abierto y se utiliza en muchas empresas, proyectos y productos, originalmente implementada en Java. Es util para cualquier aplicacion que requiera indexado y busqueda a texto completo. En esencia, el ndice se compone de documentos que se componen de campos. Las consultas de Lucene tienen que pasar a traves de los mismos analizadores que se utilizaron durante la indexacion, de lo contrario terminos identicos podr a no coincidir. Se puede usar Lucene en Grails, como es el caso de los plugins para la integracion de Solr y ElasticSearch con Grails.
Muchos sistemas de almacenamiento y consulta de RDF se basan en sistemas
de bases de datos relacionales [
El metodo propuesto consta de tres etapas fundamentales (1) seleccion del SPARQL Endpoint, (2) generacion de consultas en el lenguaje de consultas SPARQL y (3) sincronizacion de los datos con el ndice invertido, ver Figura 2. Este metodo sigue un enfoque basado en tuber as o ltros donde la salida de una etapa constituye la entrada a la proxima, siguiendo un enfoque iterativo. Su utilizacion garantiza la sincronizacion de los datos almacenados en el almacen de tripletas RDF hacia el ndice invertido.
Figura 2. Etapas del metodo de solucion propuesto. Fuente: elaboracion propia. a) Seleccion del SPARQL Endpoint: el metodo propuesto utiliza un almacen de triplestas donde son almacenados metadatos bibliogra cos que han sido transformados al estandar RDF utilizando el modelo de datos que se de ne en la Figura 3, a partir de una base de datos relacional (RDB). En este paso se veri ca la valides de la URL del SPARQL Endpoint. Figura 3. Modelacion de los datos con las ontolog as de dominio. Fuente: elaboracion propia.
b) Generacion de consultas SPARQL: a partir del modelo de datos anterior, se de nen las consultas para obtener los datos desde el almacen de tripletas que van a ser indizados. En esta etapa se establece la(s) consulta(s) para obtener los datos de acuerdo al modelo RDF. Es necesario conocer a priori las relaciones que se van a obtener a partir de las consultas. Las relaciones obtenidas a partir de los resultados de las consultas permiten establecer un esquema de alineacion con el cual van a ser guardados los datos en el motor de indizacion. La siguiente consulta SPARQL muestra la relacion entre un recurso art culo dentro del grafo y sus datos correspondientes, tales como autor, resumen, url, an~o de publicacion, entre otros.
SELECT DISTINCT ?s ?author ?title ?name ?affiliation ?abstract ?uri ?year WHERE { ?s a fabio:JournalArticle. ?s vocab:record_title ?title. ?s fabio:abstract ?abstract. ?s bibo:uri ?uri. ?s fabio:hasPublicationYear ?year. ?author vocab:author_record ?s. ?author foaf:name ?name. ?author swrc:affiliation ?affiliation.}
c) Sincronizacion de los datos con el ndice invertido: en esta etapa
se de ne, a partir de los resultados obtenidos en la(s) consulta(s) en la etapa
anterior, utilizando el formato JSON, la estructura que va a tener la informacion
obtenida dentro del ndice. Una vez de nida, se comprueban los parametros en
el motor de busqueda y se procede a la carga de los datos hacia el ndice. Este
proceso de carga se realiza inicialmente a todo el conjunto de datos obtenidos
a traves de la(s) consulta(s) realizadas sobre el grafo RDF. Despues de la carga
inicial de datos hacia el ndice se utiliza el enfoque propuesto por [
Para comprobar la aplicabilidad del metodo propuesto, se implemento una herramienta informatica basada en el mismo. La herramienta implementada utiliza una arquitectura de tuber a y ltros basandose en la descripcion del metodo antes detallado, ver gura 4. La herramienta consta de dos componentes fundamentales: el almacen de tripletas Apache Jena Fuseki (como punto de acceso a consultas SPARQL) y el servidor de indizacion Elasticsearch (como motor de busqueda).
Figura 4. Arquitectura del componente implementado. Fuente: elaboracion propia.
Apache Jena Fuseki almacena los grafos RDF generados a priori. Como se indica en (b) se realizan consultas utilizando el lenguaje de consultas SPARQL para obtener dichos grafos RDF e indizarlos en el servidor de indizacion. Estos grafos una vez incorporados a Elasticsearch se encuentran en formato JSON. La tarea de obtencion de grafos RDF se acomete en primera instancia, ya que seguidamente basta con sincronizar los grafos RDF del almacen de tripletas con los del ndice en el motor de busqueda. El proposito de esta actividad es consultar el almacen de tripletas para veri car los ultimos cambios e indizar solo esos grafos RDF al ndice del motor de busqueda de Elasticsearch. Este proceso es ventajoso en el sentido de que no se precisa el almacenamiento repetido de los grafos RDF existentes en el almacen de tripletas.
Para validar la propuesta de solucion se realiza un experimento. Consta de realizar un conjunto de consultas sobre el grafo RDF. Las consultas ejecutadas se muestran en la tabla 1.
El grafo RDF utilizado en el experimento contiene aproximadamente 52000 tripletas. En la tabla 1 se muestran las diferentes consultas ejecutadas sobre el ID Consulta Q1 Seleccionar el autor X que mas ha publicado con el autor Y en el an~o
A y en la a liacion F.
Q2 Encontrar los art culos del autor X que pertenecen a la a liacion F. Q3 Encontrar la a liacion F que mas art culos haya publicado en el an~o A. Q4 Encontrar las dos a liaciones que mas art culos hayan publicado.
Cuadro 1. Consultas ejecutadas en el experimento realizado. grafo RDF. Los tiempos de respuesta obtenidos se muestran en la Figura 5. La comparativa hecha a partir de los resultados obtenido muestran que los tiempos de respuesta disminuyen en un 50 por ciento para cada una de estas consultas. Los tiempos obtenidos son tiempos promedios calculados a partir de la ejecucion por diferentes usuarios de la misma consulta en diferentes momentos durante el experimento.
Figura 5. Tiempo de respuesta promedio obtenido. Fuente: elaboracion propia. 4
En este art culo se ha propuesto un metodo dividido en tres etapas para la indizacion de grafos RDF desde un SPARQL Endpoint. En la propuesta de solucion se hace uso de un motor de indizacion para almacenar el grafo RDF que se encuentra en un almacen de tripletas. El proceso de indizacion posee un enfoque incremental para la actualizacion del ndice en el motor de indizacion si ocurren actualizaciones en el grafo RDF. Con la indizacion del grafo RDF se logro disminuir el tiempo de respuesta a las consultas formuladas por los usuarios directamente sobre el almacen de tripletas. La disminucion de los tiempos de respuesta fue de un 50 por ciento en relacion a los tiempos de respuesta obtenidos en consultas realizadas directamente sobre el almacen de tripletas. Se ha identi cado como principal problema la generacion de facetas dinamicas a partir de los datos almacenados en el motor de indizacion. La estructura de los datos del grafo almacenado en el ndice di culta la generacion de estas facetas. En trabajos futuros se trabajara para resolver este problema.