[논문 리뷰] MapSDI: A Scaled-up Semantic Data Integration Framework for Knowledge Graph Creation

Samaneh Jozashoori, María-Esther Vidal|arXiv (Cornell University)|2019. 09. 03.

Semantic Web and Ontologies참고 문헌 13인용 수 17

한 줄 요약

MapSDI는 지ap 데이터 통합 프레임워크로서, RML과 같은 매핑 규칙을 사용해 이질적이고 대규모 데이터셋을 사전 처리하여 관련 속성을 추출하고 중복을 제거함으로써 지식 그래프 생성을 최적화한다. 관계 대수 성질과 매핑 규칙에 담긴 의미 지식을 활용함으로써 MapSDI는 RDFizer 실행 시간을 최대 한 계단 감소시키며 데이터 손실 없이 대량의 다양한 유형의 정확도 높은 데이터에서 성능을 크게 향상시킨다.

ABSTRACT

Semantic web technologies have significantly contributed with effective solutions for the problems of data integration and knowledge graph creation. However, with the rapid growth of big data in diverse domains, different interoperability issues still demand to be addressed, being scalability one of the main challenges. In this paper, we address the problem of knowledge graph creation at scale and provide MapSDI, a mapping rule-based framework for optimizing semantic data integration into knowledge graphs. MapSDI allows for the semantic enrichment of large-sized, heterogeneous, and potentially low-quality data efficiently. The input of MapSDI is a set of data sources and mapping rules being generated by a mapping language such as RML. First, MapSDI pre-processes the sources based on semantic information extracted from mapping rules, by performing basic database operators; it projects out required attributes, eliminates duplicates, and selects relevant entries. All these operators are defined based on the knowledge encoded by the mapping rules which will be then used by the semantification engine (or RDFizer) to produce a knowledge graph. We have empirically studied the impact of MapSDI on existing RDFizers, and observed that knowledge graph creation time can be reduced on average in one order of magnitude. It is also shown, theoretically, that the sources and rules transformations provided by MapSDI are data-lossless.

연구 동기 및 목표

• 높은 볼륨, 다양한 유형, 높은 정확도를 특징으로 하는 대규모 데이터에서 지식 그래프 생성을 위한 의미적 데이터 통합의 확장성 문제를 해결하기 위해.
• RMLmapper 및 SDM-RDFizer와 같은 기존 RDFizer에서 발생하는 중복 데이터와 비효율적 처리로 인한 성능 오버헤드를 줄이기 위해.
• 매핑 규칙에 코딩된 의미 지식을 활용해 입력 데이터셋에 대한 효율적이고 손실 없는 사전 처리를 가능하게 하기 위해.
• 스키마 수준 통합과 데이터 수준 통합을 하나의 최적화된 파이프라인으로 통합하여 비용이 많이 드는 후처리 단계를 방지하기 위해.

제안 방법

• MapSDI는 매핑 규칙(예: RML)을 사용해 필요한 속성을 식별하고 입력 데이터셋에 의미 지향 사전 처리를 적용한다.
• 규칙의 의미를 기반으로 관계 대수 연산(투영 및 선택)을 적용하여 RDF화 이전에 데이터 크기를 줄인다.
• RDFizer의 입력 볼륨을 최소화하기 위해 투영 및 선택 연산을 데이터 처리 파이프라인으로 내려간다.
• 매핑 규칙에 정의된 속성 집합을 기반으로 중복 제거를 수행하여 파이프라인 초기 단계에서 데이터 중복을 줄인다.
• 모든 RDF 삼항형 생성에 필요한 의미 정보를 유지함으로써 데이터 손실 없는 변환을 보장한다.
• 실제 생물의학 데이터셋을 대상으로 평가하고, 기존 RDFizer(RMLmapper, SDM-RDFizer)와 통합하여 성능 향상 정도를 측정한다.

실험 결과

연구 질문

• RQ1 매핑 규칙에서 도출된 의미 지식을 활용해 입력 데이터를 사전 처리함으로써 지식 그래프 생성 시 RDFizer 실행 시간을 크게 감소시킬 수 있는가?
• RQ2 MapSDI의 데이터 손실 없는 사전 처리는 높은 중복률, 다양한 유형, 낮은 품질의 대규모 이질적 데이터셋에서 기존 RDFizer의 확장성에 어떤 영향을 미치는가?
• RQ3 RML 삼항형 맵을 통해 다수의 데이터셋을 조인할 때, 속성 투영과 중복 제거가 성능 향상에 얼마나 기여하는가?
• RQ4 MapSDI는 기반 매핑 언어나 RDFizer에 종속되지 않고 독립적으로 적용 가능하며, 다양한 도구 간 일관된 성능 향상 효과를 유지하는가?

주요 결과

• MapSDI는 다양한 테스트 데이터셋에서 평균적으로 RDFizer 실행 시간을 최대 한 계단 감소시킨다.
• 100% 중복 데이터셋에서 사전 처리 후 입력 데이터셋 크기가 235,000 KB에서 997 KB로 98% 감소하여 성능 향상이著명하다.
• 높은 중복률(최대 100%) 조건에서도 MapSDI는 안정적인 성능을 유지하지만, 기준 기반 프레임워크(T-framework)는 데이터 볼륨과 중복률 증가에 따라 실행 시간이 증가하는 경향을 보인다.
• MapSDI는 이전에 500초 동안 타임아웃이 발생했던 SDM-RDFizer의 조인 작업을 완료할 수 있어, 복잡한 매핑 조건 하에서도 확장성 향상을 입증한다.
• 이론적 분석을 통해 MapSDI의 사전 처리 단계가 데이터 손실 없음을 확인하였으며, 최종 지식 그래프가 원본 통합 파이프라인과 의미적으로 동일함을 보장한다.
• 실험 결과, 사용하는 RDFizer에 관계없이 MapSDI는 기준 시스템을 항상 능가하며, 다양한 데이터 크기와 중복 비율 조건에서도 일관된 성능 향상 효과를 보였다.