[論文レビュー] Constraints to Validate RDF Data Quality on Common Vocabularies in the Social, Behavioral, and Economic Sciences

Thomas Hartmann, Benjamin Zapilko+2 more|arXiv (Cornell University)|Apr 17, 2015

Semantic Web and Ontologies参考文献 5被引用数 3

ひとこと要約

本稿では、社会的・行動的・経済的（SBE）科学分野で一般的に使用される語彙、DDI-RDF、RDF Data Cube、SKOS、XKOS、PHDD におけるデータ品質を検証するための包括的な81のRDF制約を提案する。これらの制約は、深刻度（INFOからERROR）に分類されており、分野専門家の意見と実世界のデータに基づいて導出されており、リンクデータアプリケーションにおけるメタデータおよびデータ品質の堅牢な検証を可能にする。

ABSTRACT

To ensure high quality of and trust in both metadata and data, their representation in RDF must satisfy certain criteria - specified in terms of RDF constraints. From 2012 to 2015 together with other Linked Data community members and experts from the social, behavioral, and economic sciences (SBE), we developed diverse vocabularies to represent SBE metadata and rectangular data in RDF. The DDI-RDF Discovery Vocabulary (DDI-RDF) is designed to support the dissemination, management, and reuse of unit-record data, i.e., data about individuals, households, and businesses, collected in form of responses to studies and archived for research purposes. The RDF Data Cube Vocabulary (QB) is a W3C recommendation for expressing data cubes, i.e. multi-dimensional aggregate data and its metadata. Physical Data Description (PHDD) is a vocabulary to model data in rectangular format, i.e., tabular data. The data could either be represented in records with character-separated values (CSV) or fixed length. The Simple Knowledge Organization System (SKOS) is a vocabulary to build knowledge organization systems such as thesauri, classification schemes, and taxonomies. XKOS is a SKOS extension to describe formal statistical classifications. In this paper, we describe RDF constraints to validate metadata on unit-record data (DDI-RDF), aggregated data (QB), thesauri (SKOS), and statistical classifications (XKOS) and to validate tabular data (PHDD) - all of them represented in RDF. We classified these constraints according to the severity of occurring constraint violations. This technical report is updated continuously as modifying, adding, and deleting constraints remains ongoing work.

研究の動機と目的

• 社会的・行動的・経済的（SBE）科学分野における、RDF形式のメタデータおよびデータの高品質を保証するための重要な制約を特定・形式化すること。
• リンクデータアプリケーションで使用されるSBE語彙に対する標準化された検証メカニズムの欠如に対処すること。
• データ品質の問題を優先順位づけするため、制約違反を深刻度（INFOからERROR）に分類すること。
• 実際のSBEデータ利用事例と専門家の意見に基づいて要件を根拠づけることで、制約言語の開発を支援すること。
• W3C SHACLおよびRDF検証エコシステムへの貢献として、公開可能で共同でメンテナンス可能な検証要件のデータベースを整備すること。

提案手法

• 著者らは、実データおよび専門家の意見に基づき、DDI-RDF、RDF Data Cube（QB）、PHDD、SKOS、XKOS といった確立されたSBE語彙から制約を収集した。
• 制約は、ラベル付け、ドキュメンテーション、語彙使用、URIスキーム準拠など12種類の品質問題タイプに分類された。
• 各制約は形式的に規定され、データ品質および利用可能性への影響を専門家による評価に基づき、深刻度レベル（INFO、WARNING、ERROR）に割り当てられた。
• 検証ルールはSPARQLおよびSPINを用いて実装され、SPARQLのネイティブな制約チェックおよび推論機能を活用した。
• 本研究は、DCMI RDFアプリケーションプロファイル作業部会の公開された検証要件データベースを基盤とし、SBE分野特有の制約を追加して拡張した。
• このフレームワークは継続的に更新されており、http://purl.org/net/rdf-validation で公開されており、コミュニティの寄与を可能としている。

実験結果

リサーチクエスチョン

• RQ1 DDI-RDF、QB、SKOS、PHDD などのSBE分野語彙におけるデータ品質を保証するための、RDF制約の種類として不可欠なものは何か？
• RQ2 SBE分野のRDFデータにおける制約違反は、どのように深刻度（INFOからERROR）に体系的に分類できるか？これにより、データ品質の向上をどのように支援できるか？
• RQ3 分野専門家および実世界のデータ分析を通じて特定された、SBE分野におけるメタデータおよびデータの最も重要な検証要件は何か？
• RQ4 SPIN、SHACL、OWL 2 といった既存の制約言語は、SBE特有の検証ルールをどの程度適切に表現できるか？
• RQ5 HTTP URIの使用や適切なラベル付けといったリンクデータのベストプラクティスは、SBE語彙全体におけるデータ品質の維持にどのように寄与するか？

主な発見

• 本研究では、SBE語彙におけるRDFデータ品質の検証に不可欠な81の異なる制約タイプを特定・形式化した。対象はメタデータ、ラベル付け、ドキュメンテーション、構造的整合性をカバーする。
• 制約は深刻度レベルに分類されており、11の制約がERROR（例：HTTP URIスキーム違反、未定義のSKOSリソース）としてマークされ、深刻なデータ品質の問題を示している。
• 最も頻度の高かった制約違反は、欠落または不正なラベル（例：空のラベル、非印刷可能文字を含むラベル）であり、データドキュメンテーションの改善の必要性を浮き彫りにしている。
• 多くの制約（例：SKOS-C-LABELING-AND-DOCUMENTATION-01 から SKOS-C-LABELING-AND-DOCUMENTATION-06）は、ラベル付けおよびドキュメンテーションの品質を対象としており、人間が読みやすいメタデータの重要性を強調している。
• HTTP URIスキーム違反（例：URNやDOIをHTTP URIの代わりに使用）は、広範にわたる問題であり、ERRORレベルの制約として分類されたことが確認された。
• 本研究は、公開可能で継続的に更新される検証要件のデータベースを提供しており、今後のSBE分野における制約言語開発およびツール開発の基盤を形成している。