[論文レビュー] OBDA for the Web: Creating Virtual RDF Graphs On Top of Web Data Sources

Konstantina Bereta, George Papadakis+1 more|arXiv (Cornell University)|May 22, 2020

Semantic Web and Ontologies参考文献 19被引用数 5

ひとこと要約

この論文では、HTMLテーブル や REST API などの異種の Web データソースを、データの物性化を伴わずに仮想 RDF グラフを作成することで、リアルタイムに SPARQL クエリを実行できる OBDA ベースのシステム、Ontop4theWeb を紹介する。このシステムは、R2RML マッピングにおける仮想テーブルオペレータとマイクロサービスアーキテクチャを活用し、高いパフォーマンスと正確性を実現しており、応答時間において既存のシステムを最大3倍速くし、キャッシュを完全に活用するとともに、サードパーティサービスとのシームレスな統合をサポートする。

ABSTRACT

Due to Variety, Web data come in many different structures and formats, with HTML tables and REST APIs (e.g., social media APIs) being among the most popular ones. A big subset of Web data is also characterised by Velocity, as data gets frequently updated so that consumers can obtain the most up-to-date version of the respective datasets. At the moment, though, these data sources are not effectively supported by Semantic Web tools. To address variety and velocity, we propose Ontop4theWeb, a system that maps Web data of various formats into virtual RDF triples, thus allowing for querying them on-the-fly without materializing them as RDF. We demonstrate how Ontop4theWeb can use SPARQL to uniformly query popular, but heterogeneous Web data sources, like HTML tables and Web APIs. We showcase our approach in a number of use cases, such as Twitter, Foursquare, Yelp and HTML tables. We carried out a thorough experimental evaluation which verifies the high efficiency of our framework, which goes beyond the current state-of-the-art in this area, in terms of both functionality and performance.

研究の動機と目的

• HTML テーブル や REST API などの異種のデータソースに対して、事前のデータ物性化を伴わずに一様な SPARQL クエリを可能にするために、Web データの多様性と高速性の課題に対処すること。
• カスタム SPARQL 拡張子に依存する既存のシステム、HTML テーブルをサポートしないシステム、またはキャッシュとデータ統合を非効率に処理するシステムの限界を克服すること。
• 標準の SPARQL と R2RML を使用して、スケーラブルで標準準拠のソリューションを提供し、感情分析などのサードパーティサービスとのシームレスな統合を可能にすること。
• Twitter や Foursquare、Yelp、Wikipedia などの実世界の高速度 Web データソースに対して、仮想 RDF グラフ作成の実現可能性とパフォーマンスを実証すること。
• SERVICE-to-API などの既存のアプローチと比較して、性能、正確性、キャッシュ利用効率の点で本システムの優位性を検証すること。

提案手法

• R2RML マッピングに埋め込まれた仮想テーブルオペレータを拡張した SQL を使用し、クエリ実行時に動的に Web データ（例：HTML テーブル や REST API からのデータ）を取得・マッピングし、仮想 RDF トリプルを生成すること。
• マイクロサービスアーキテクチャを採用することで、モジュラーかつ合成可能なデータ取得と、感情分析やデータ拡張などの外部サービスとの統合を可能にすること。
• 1回の API 呼び出しごとに全体の仮想テーブルを格納する設定可能なキャッシュメカニズムを採用し、キャッシュヒット率を最大化し、重複呼び出しを削減すること。
• 仮想リレーショナルデータを RDF 項へマッピングするオントロジーに基づくデータアクセス（OBDA）を活用し、仮想グラフ上で完全な SPARQL クエリ処理を可能にすること。
• キャッシュが完全にヒットしない「コールドキャッシュ」と部分的にヒットする「ウォームキャッシュ」の両状況をサポートし、データ更新頻度とクエリワークロードの変動に応じたパフォーマンス評価を実施すること。
• 既存のセマンティックウェブツールとの互換性を確保し、独自拡張子を避けるために、標準 R2RML と SPARQL を統合すること。

実験結果

リサーチクエスチョン

• RQ1 HTML テーブル や REST API などの多様で高速な Web データソースに対して、事前のデータ物性化を伴わずに一様な SPARQL クエリを可能にするシステムは実現可能か？
• RQ2 Ontop4theWeb のパフォーマンスは、SERVICE-to-API などの既存システムと比較して、応答時間とキャッシュ効率の点でどのように異なるか？
• RQ3 高い更新頻度を持つ複雑で多様なデータソースに対して、本システムは結果の正確性をどの程度維持できるか？
• RQ4 キャッシュメカニズムを効果的に活用して、API 呼び出し回数を削減し、スケーラビリティを向上させることができるか？
• RQ5 感情分析などのサードパーティサービスの統合は、仮想化されたオンデマンドデータアクセスモデル内で、どの程度の性能を示すか？

主な発見

• Ontop4theWeb は、最大 100,000 行の WebTables に対して数分で SPARQL クエリを処理でき、高いスケーラビリティとリアルタイム処理の実現可能性を示している。
• 本システムは、SERVICE-to-API より最大3倍速く、1回の API 呼び出しで全結果セットを取得するため、1タプルずつ取得する既存手法と比較して顕著な高速化を達成している。
• Ontop4theWeb は、1回の呼び出しごとに全体の仮想テーブルをキャッシュに格納することで、キャッシュを完全に活用している。一方、SERVICE-to-API は1回の呼び出しで1タプルのみキャッシュするため、キャッシュ効果が著しく低い。
• 両システムともリCALLが100%に達しているが、Ontop4theWeb は全6クエリで100%の正確性（precision）と F1 スコアを維持している。一方、SERVICE-to-API はカルテジアン積の挙動により誤検出（偽陽性）を発生させている。
• 結果から、Ontop4theWeb は部分的なデータ保存を必要とせず、正確な結果を生成できることを確認した。これに対して、SERVICE-to-API は誤った結果を避けるために追加のデータキャッシュを必要としている。
• 実験的評価により、Ontop4theWeb が、特に高速度で多様なデータ環境において、機能的・性能面で最新技術を上回っていることが確認された。