[論文レビュー] Heuristics for publishing dynamic content as structured data with schema.org

Elias Kärle, Dieter Fensel|arXiv (Cornell University)|Aug 17, 2018

Service-Oriented Architecture and Web Services参考文献 22被引用数 3

ひとこと要約

本稿では、すべてのデータインスタンスを完全に物的化することなく、動的で変化の激しい製品およびサービスデータを構造化された schema.org マークアップとして公開するための文脈に配慮したヒューリスティクスを提案する。抽象化、選択的インスタンス公開、またはウェブサービス参照を用いることで、スケーラビリティとパフォーマンスを向上させつつ、サーバー負荷とデータ漏洩リスクを最小限に抑える。実世界のシナリオにおいて、ヒューリスティクスに基づく公開が全データ公開を上回ることを示している。

ABSTRACT

Publishing fast changing dynamic data as open data on the web in a scalable manner is not trivial. So far the only approaches describe publishing as much data as possible, which then leads to problems, like server capacity overload, network latency or unwanted knowledge disclosure. With this paper we show ways how to publish dynamic data in a scalable, meaningful manner by applying context-dependent publication heuristics. The outcome shows that the application of the right publication heuristics in the right domain can improve the publication performance significantly. Good knowledge about the domain help choosing the right publication heuristic and hence lead to very good publication results.

研究の動機と目的

• 大規模かつ変化の激しい動的データ（例：製品価格、在庫状況）を機械読み取り可能な schema.org 構造化データとして公開する課題に対処すること。
• 全データの物的化によるサーバー過負荷、ネットワーク遅延、意図しないデータ漏洩といったスケーラビリティの課題を克服すること。
• 意味的で効率的かつ安全なウェブ上での動的コンテンツの公開を可能にする文脈依存のヒューリスティクスを開発すること。
• パフォーマンス、保守性、実用的妥当性に焦点を当て、ヒューリスティクスベースのアプローチを全データ公開と比較して評価すること。
• ドメイン固有の特性とデータ次元性に基づいて、適切なヒューリスティクスを選択するための実務家向けのガイダンスを提供すること。

提案手法

• 4つのヒューリスティクス戦略の提案：(1) 実際のデータ照会のためのウェブサービス参照を伴う抽象的データの公開；(2) 他のインスタンスの存在が暗黙的に示される1つの代表的インスタンスの公開；(3) 次元性に基づく選択的インスタンスレベルの物的化；(4) 検索または取得インターフェースを公開するためのウェブサービス記述の使用。
• 名前、説明、画像、および sdo/Offer を用いた価格と在庫状況のプロパティを含む、製品に schema.org 語彙（sdo）を適用する。
• 「長次元（long dimensions）」の概念を導入——全物的化が非現実的になるほど過剰な基数を持つ次元であり、それらを避けるためのヒューリスティクスを提案する。
• セマンティックウェブサービスを活用して、抽象的な schema.org アノテーションと実際のデータを分離し、オンデマンドでのデータ取得を可能にする。
• データ漏洩や不整合を防ぐために、スキーマ準拠性とヒューリスティクス準拠性の両方を検証するパイプラインを設計する。
• semantify.it プラットフォームを拡張し、全サイトのアノテーションではなく、選択的かつヒューリスティクス駆動のアノテーション公開を可能にする。

実験結果

リサーチクエスチョン

• RQ1 サーバー資源を圧迫したり、機微な情報を漏洩させたりすることなく、高速で変化する動的データを構造化された schema.org データとしてどのように公開できるか？
• RQ2 異なるヒューリスティクス戦略の動的データ公開におけるパフォーマンスとスケーラビリティのトレードオフは何か？
• RQ3 いつ、どのように抽象化や1つのインスタンスを全データバリエーションの物的化の代わりに使用すべきか？
• RQ4 ドメイン固有の知識は、最適な公開ヒューリスティクスの選択をどのように導くことができるか？
• RQ5 データ公開における「長次元」を定義する指標や基準は何か？ また、このような次元はどのように安全に無視できるか？

主な発見

• どのヒューリスティクス戦略も、普遍的に他のすべての戦略を上回るわけではない。最良のアプローチは、特定のユースケースやドメイン特性に強く依存する。
• 評価結果から、ヒューリスティクスベースのアプローチが、スケーラビリティ、パフォーマンス、リソース効率の観点で、全物的化を常に上回ることが確認された。
• ウェブサービス参照を伴う抽象的データの公開は、サーバー負荷を顕著に低減しつつ、機械可読性を維持し、オンデマンドでのデータアクセスを可能にする。
• 次元が管理可能であれば、選択的インスタンスレベルの物的化は効果的であるが、どの次元が「長次元」であるか、または除外すべきかを特定する際には複雑さが増す。
• 抽象化による情報損失は、下位のウェブサービスへのアクセスを提供することで緩和され、必要に応じて消費者が具体的なデータを取得できるようになる。
• semantify.it のようなプラットフォームへのヒューリスティクス公開の統合により、どのデータサブセットを公開するかの細かな制御が可能になり、実用的導入が向上する。