As many tools have been created to support linked data consumption and publishing, there is a demand for quality assessment and to verify these data. To make this possible, data about this consumption should be recorded. This paper presents an extension to a framework with the goal to support the recording and publishing of the information about the creation and consumption of linked data, in order to provide input for later quality assessment. Resumo. Com a criac¸a˜o de ferramentas para consumir, relacionar e publicar dados ligados, surge a demanda para avaliar e comprovar a qualidade destes dados. Para tal, e´ necessa´rio que informac¸o˜es sobre este consumo sejam registradas. Este trabalho propo˜e a extensa˜o de uma arquitetura a fim de suportar o registro e publicac¸ a˜o de informac¸o˜es sobre a criac¸ a˜o destes dados, a fim de prover insumos para posterior avaliac¸a˜o.
some os dados quanto para quem os que publica. A sec¸a˜o 2 deste artigo apresenta os conceitos ba´sicos de dados ligados. A sec¸ a˜o 3 apresenta trabalhos relacionados, constando de: uma arquitetura pre´via e sua implementac¸a˜o, e modelos de dados de procedeˆncia. A sec¸ a˜o 4 apresenta a arquitetura proposta, e a sec¸a˜o 5 apresenta as concluso˜es e extenso˜es do projeto.
Uma vez que consumir e integrar estes dados se da´ de forma mais flex´ıvel, e´ poss´ıvel escapar do contexto de uma web ultrapassada onde aplicac¸ o˜es devem prever o consumo de fontes de dados previamente definidos, criando uma web onde a informac¸a˜o provida por aplicac¸o˜es pode evoluir ao longo do tempo, junto com o surgimento de novas fontes de dados. Para tirar proveito dos dados ligados, Berners-Lee elucida em um documento 3 regras para publicar (e consumir) os dados ligados: usar URIs va´lidas para nomear seus recursos (dados, coisas, entidades, etc), de forma que agentes (pessoas ou sistemas) recebam informac¸o˜es u´teis – preferencialmente em formato intelig´ıvel – ao acessar tais enderec¸os, e, principalmente incluir ligac¸o˜es (links) para recursos em outras fontes de dados, para que novos conhecimentos possam ser descobertos.
Em um tutorial 4 feito por Bizer, define-se uma ligac¸ a˜o RDF como uma tripla no formato “sujeito - predicado - objeto” onde o sujeito e´ ligado ao objeto atrave´s de um predicado. As ligac¸o˜es RDF onde o sujeito esta´ em um conjunto de dados e o objeto esta´ em um conjunto de dados distinto sa˜o chamados de ligac¸o˜es externas.
Existem diversas aplicac¸ o˜es utilizando dados ligados. Tais aplicac¸o˜es va˜o desde endpoints
SPARQL – formula´rios onde insere-se uma consulta em SPARQL e recebe-se o resultado
da consulta, usualmente no formato de alguma serializac¸a˜o RDF – ate´ aplicac¸o˜es mais
complexas como os websites da BBC. Em [
Em [
3http://www.w3.org/DesignIssues/LinkedData.html 4http://www4.wiwiss.fu-berlin.de/bizer/pub/LinkedDataTutorial/ 5http://www.w3.org/wiki/SweoIG/TaskForces/CommunityProjects/LinkingOpenData
Ao passo que o LDIF ataca os problemas de mapeamento de esquemas e
vocabula´rios, resoluc¸a˜o de identidades, importac¸ a˜o, publicac¸a˜o e descoberta de ligac¸ o˜es
(relac¸o˜es entre recursos), o arcabouc¸o se apresenta deficiente no quesito da procedeˆncia
dos dados. Procedeˆncia refere-se a` linhagem dos dados, isto e´, as origens e histo´rico de
processamento de objetos e processos [
A deficieˆncia do LDIF quanto a` captura da procedeˆncia e´ evidente pois os u´nicos dados de procedeˆncia publicados sa˜o os dados relativos a` importac¸a˜o inicial dos dados, ou seja, qual a origem dos dados importados. Dados importantes de procedeˆncia como a parametrizac¸a˜o de processos de similaridade sinta´tica e semaˆntica, resultados da execuc¸a˜o de processos, dentre outros, na˜o sa˜o contemplados, nem pelo LDIF e nem pela arquitetura de aplicac¸o˜es de dados ligados.
Os dados de procedeˆncia podem servir de insumo para ana´lise de qualidade dos
dados gerados. Pode-se atribuir maior confiabilidade a dados gerados por processos
que foram configurados com limites mais restritos. Por exemplo, e´ poss´ıvel atribuir
maior confiabilidade a`s ligac¸o˜es geradas por processos de ca´lculo de similaridade que
tenham sido configurados com um limite de similaridade maior que 0.95 (95%). Em
[
Dada a importaˆncia dos dados de procedeˆncia, alguns modelos influenciaram este
trabalho. O mais nota´vel e´ o OPM (Open Provenance Model) [
Este trabalho propo˜e que a arquitetura das aplicac¸ o˜es ainda deficiente na questa˜o da procedeˆncia de dados contemple tal aspecto, fornecendo um modelo de dados para o processo de integrac¸a˜o de dados ligados. A arquitetura deve contemplar o aspecto de procedeˆncia em todas as etapas dos processos de consumo e integrac¸a˜o, conforme mostra a Figura 1. Para tal, diversos modelos de procedeˆncia devem ser estudados, a fim de definir um modelo que seja compat´ıvel com os modelos ja´ existentes e difundidos.
O modelo de procedeˆncia a ser adotado na nova arquitetura deve na˜o somente contemplar a diferenciac¸a˜o entre dados e paraˆmetros, mas tambe´m deve diferenciar os processos empregados na integrac¸a˜o dos dados ligados, considerando a hierarquia Buscar dados
Mapear Vocabulários
Resolução
de
Identidades
Coletor de Procedência
Figura 1. Arquitetura de aplica c¸o˜ es consumidoras de dados ligados
considerando os aspectos de procedeˆ ncia de dados.
de te´cnicas empregadas tanto no mapeamento de vocabula´rios quanto na descoberta
de links. Uma visa˜o de como essas te´cnicas podem ser classificadas foi apresentada
por [
Ate´ o momento, o modelo considera alguns aspectos ba´sicos quanto aos tipos de processos utilizados na integrac¸a˜o e consumo de dados ligados, e, considera uma categorizac¸a˜o dos dados em questa˜o. Os tipos de processo contemplados ate´ o momento sa˜o processos de importac¸a˜o – processos que obte´m os dados de seus provedores originais – e processos de integrac¸a˜o. Os processos de integrac¸a˜o se encontram categorizados como processos de mapeamento (de vocabula´rios) e processos de ligac¸a˜o.
Processo Importacao
Integracao
Parâmetro
isA Mapeamento
Ligação wasDerivedFrom Triple
SPARQL Quad Crawl
Filtro
Comparação Agregação
Recurso
isA Produto used
Processo wasGeneratedBy
Os processos de mapeamento tratam-se de definic¸ o˜es de pareamentos de conceitos de um vocabula´rio a outro, como parear foaf:Person e dbpedia:Person ou foaf:name e rdfs:label. Os processos de ligac¸ a˜o tratam-se de execuc¸ o˜es de processos que geram ligac¸ o˜es RDF atrave´s de alguma computac¸a˜o. Tais processos podem ser processos de agregac¸ a˜o – como me´dias, ma´ximos, m´ınimos – processos de filtragem – como selecionar recursos que possuam uma determinada propriedade dentro de um intervalo de valores – e processos de comparac¸a˜o – como comparar ro´tulos RDF atrave´s de distaˆncia de edic¸ a˜o, ou comparar a categorizac¸a˜o de dois recursos.
Pode-se dizer que ha´ uma equivaleˆncia entre os conceitos de processo do OPM e processo do modelo proposto. Uma ideia inicial do modelo e´ ilustrada pela Figura 2, onde os conceitos em cinza-escuro representam extenso˜es dos processos de importac¸ a˜o, inclusive ja´ implementados no LDIF.
No que concerne ao conceito de artefato do OPM, ha´ uma relac¸a˜o de equivaleˆncia com o conceito de recurso, subcategorizado em paraˆmetro e produto, como mostra a Figura 2. A diferenc¸a entre produtos e paraˆmetros e´ que produtos sa˜o gerados por processos, ou seja, para gerar cada produto foram consumidos tempo e recursos computacionais.
sameAs#1 used
used Rio_de_Janeiro
Rio_De_Janeiro
Result: “1”
Limite: 2 wasGeneratedBy
A Figura 3 exemplifica uma aplicac¸a˜o bastante ba´sica do modelo, a criac¸a˜o de
uma ligac¸a˜o do tipo “owl:sameAs” entre dois recursos de ro´tulos “Rio de Janeiro” e
“Rio De Janeiro”, respectivamente. A gerac¸a˜o da ligac¸a˜o se da´ em dois passos, o
primeiro sendo a comparac¸a˜o entre os ro´tulos dos recursos atrave´s de um algoritmo que
calcula distaˆncia de edic¸ a˜o entre duas cadeias de caracteres e o segundo filtrando apenas
os produtos que tenham sido gerados com distaˆncia de edic¸a˜o abaixo de 2. Na Figura 3,
os produtos esta˜o representados por elipses, os paraˆmetros por retaˆngulos claros e os
processos por retaˆngulos escuros. Explicitar todas as relac¸o˜es causais entre dados e
processos pode gerar um excesso de informac¸ o˜es, que e´ problema conhecido e ja´ foi discutido
em [
Em resumo, modelo e arquitetura propostos encapsulam os executores dos
processos envolvidos em cada etapa do fluxo da integrac¸a˜o e consumo de dados ligados, a
fim de registrar e representar os dados de procedeˆncia de acordo com a natureza dos
processos envolvidos na criac¸ a˜o das ligac¸o˜es RDF entre recursos, bem como a natureza dos
paraˆmetros que configuram estes processos e resultados destes processos. Dessa forma,
esses dados de procedeˆncia passam a estar dispon´ıveis para um usua´rio avaliar
confiabilidade e autenticidade das ligac¸o˜es geradas, avaliar a qualidade e efetuar fusa˜o de
dados ligados – como e´ o caso do Sieve [
Este artigo apresenta uma proposta para o problema do registro e representac¸a˜o de procedeˆncia de dados na atividade de integrac¸a˜o e consumo de dados ligados. A sua principal contribuic¸a˜o e´ a extensa˜o de modelos de procedeˆncia ja´ estabelecidos e ainda em definic¸ a˜o, adaptando-os para registrar informac¸ o˜es mais espec´ıficas sobre o consumo e integrac¸a˜o de dados ligados. A partir de uma arquitetura ja´ existente – o LDIF – de co´digo aberto, estende-se sua funcionalidade de modo a suportar o registro dessas informac¸o˜es. No momento a extensa˜o proposta esta´ em fase de implementac¸a˜o. O modelo de dados proposto ainda passa por refinamentos, devendo evoluir a fim de especificar os processos envolvidos e tipos de dados e paraˆmetros.
Trabalhos futuros incluem o estabelecimento de pol´ıticas de descarte e selec¸a˜o de ligac¸ o˜es RDF, com base nos dados de procedeˆncia disponibilizados. Ale´m disso, conforme as ligac¸ o˜es RDF sa˜o rastreadas e associadas a`s informac¸ o˜es de procedeˆncia, e´ poss´ıvel estabelecer e configurar mecanismos de infereˆncia baseados nessas informac¸o˜es.
The authors would like to thank CNPq (309307/2009-0; 486157/2011-3) and FAPERJ (E-26/111.147/2011) for partially funding their research projects.