[論文レビュー] A Graph Analysis of the Linked Data Cloud

Marko A. Rodriguez|ArXiv.org|Mar 2, 2009

Semantic Web and Ontologies参考文献 19被引用数 20

ひとこと要約

この論文は、2009年2月27日付の可視化に基づいて、2009年3月時点のリンクド・データ・クラウドの構造を、有向グラフとして構築し、PageRank中心性や同調性分析を含むグラフ解析を実施した。主な発見は、三重項数が多いデータセットがネットワーク内でより中心的であるのに対し、グラフは弱い非同調性混合を示しており、大規模データセットと小規模データセットが互いにリンクし合う傾向がある。これは、分散的でスケーラブルなデータ統合モデルを示唆している。

ABSTRACT

The Linked Data community is focused on integrating Resource Description Framework (RDF) data sets into a single unified representation known as the Web of Data. The Web of Data can be traversed by both man and machine and shows promise as the extit{de facto} standard for integrating data world wide much like the World Wide Web is the extit{de facto} standard for integrating documents. On February 27$^ ext{th}$ of 2009, an updated Linked Data cloud visualization was made publicly available. This visualization represents the various RDF data sets currently in the Linked Data cloud and their interlinking relationships. For the purposes of this article, this visual representation was manually transformed into a directed graph and analyzed.

研究の動機と目的

• リンクド・データ・クラウドを有向グラフとして分析し、その組織的構造とスケーラビリティを理解すること。
• データセットのサイズ（三重項数）とネットワーク内での中心性の関係を調査すること。
• 大規模データセットが他の大規模データセットに優先的にリンクするかどうかを評価するため、データセットサイズの同調性を検討すること。
• 主要データセットがネットワークの接続性および情報フローにおいて果たす役割を評価すること。
• ウェブ・オブ・データにおける構造的パターンを同定することで、分散的でスケーラブルなデータ処理モデルの開発を支援すること。

提案手法

• 2009年2月27日付のリンクド・データ・クラウド可視化を手動で変換し、86頂点（データセット）と182エッジ（相互リンク）を持つ有向グラフを作成した。
• ノードの重要性を評価するため、減衰係数 δ = 0.85 を用いてPageRank中心性を計算した。
• 三重項数とPageRank中心性の関係を評価するために、スピアマン順位相関およびケンダール順位相関検定を実施した。
• 三重項数が公表された31ノードのサブグラフに対して同調性分析を実施し、サイズに基づくリンクの好みを評価した。
• コミュニティ構造は先行固有ベクトル法を用いて同定し、可視化にはFruchterman-Reingoldレイアウトアルゴリズムを用いた。
• すべての解析は、可視化から導出された静的グラフ上で実施され、リンクの重みとノードのサイズは無視された。

実験結果

リサーチクエスチョン

• RQ1 リンクド・データ・クラウドにおけるデータセットの中心性は、そのサイズ（RDF三重項数）とどのように相関するか？
• RQ2 リンクド・データ・クラウドにおいて、大規模データセットと小規模データセットの間のリンク行動の性質は何か？
• RQ3 ネットワーク内で最も中心的であるデータセットはどれであり、それぞれの分野は何か？
• RQ4 データセットサイズに関して、グラフはどの程度同調的または非同調的か？
• RQ5 リンクド・データ・クラウドの構造的性質は、分散型データ処理におけるスケーラビリティや脆弱性をどのように示唆しているか？

主な発見

• 三重項数とPageRank中心性のスピアマン順位相関は ρ = 0.6274（p < 0.00016）であり、強い正の相関があることを示している。
• ケンダール順位相関は τ = 0.4566（p < 0.00039）であり、三重項数の多いデータセットがより中心的である傾向があることをさらに裏付けている。
• 三重項数の同調性係数は -0.2064（p = 0.0302）であり、弱い非同調性混合を示しており、大規模データセットは小規模データセットに、逆に小規模データセットは大規模データセットにリンクする傾向があることを意味する。
• 中心性が上位15のデータセットは、主にコンピュータサイエンス分野（例：DBLP、CiteSeer）および生物学分野（例：KEGG、UniProt）に属しており、ドメイン特化型のハブであることが示された。
• グラフ構造は強く同調的ではなく、大規模データセットのクラスタリングではなく、分散的で多様なリンクパターンを示している。
• この分析は、ウェブ・オブ・データのスケーラブルで協働的な処理を可能にするため、分散プロセスインfraの構築の必要性を支援している。