[論文レビュー] Finding Quality Issues in SKOS Vocabularies

Christian Mader, Bernhard Haslhofer+1 more|arXiv (Cornell University)|Jun 6, 2012

Data Quality and Management参考文献 16被引用数 6

ひとこと要約

本論文では、SKOSの用語集における整合性に欠ける品質問題を特定するための15の計算可能な品質チェック関数を提案し、qSKOSツールに実装した。15の実世界の用語集を分析した結果、すべての用語集に品質問題が存在し、ラベルの欠落、構造的欠陥、損傷したリンク、一貫性の欠如する関係が含まれており、SKOSの規格に定められた制約を超えた自動的品質評価の必要性が示された。

ABSTRACT

The Simple Knowledge Organization System (SKOS) is a standard model for controlled vocabularies on the Web. However, SKOS vocabularies often differ in terms of quality, which reduces their applicability across system boundaries. Here we investigate how we can support taxonomists in improving SKOS vocabularies by pointing out quality issues that go beyond the integrity constraints defined in the SKOS specification. We identified potential quantifiable quality issues and formalized them into computable quality checking functions that can find affected resources in a given SKOS vocabulary. We implemented these functions in the qSKOS quality assessment tool, analyzed 15 existing vocabularies, and found possible quality issues in all of them.

研究の動機と目的

• SKOSモデルの整合性制約と実世界の用語集における品質問題のギャップを埋めること。
• 形式的な整合性チェックを越えた分野特有の品質問題をSKOS用語集で特定すること。
• 自動評価のための客観的かつ計算可能な品質チェック関数のセットを開発すること。
• 代表的な15の既存SKOS用語集に対してこれらの関数を評価すること。
• データドリブンな指標を通じて、分類作成者による用語集品質の向上を支援すること。

提案手法

• 既存のガイドラインと実世界の用語集のパターンを分析することで、15の品質問題を同定した。
• 各問題を、SKOS用語集のRDF/OWL表現上で実行可能な計算可能な品質チェック関数として形式化した。
• qSKOS品質評価ツールにこれらの関数を実装し、SKOSリソースの自動分析を可能にした。
• AGROVOC、EuroVoc、MeSH、STWを含む15の既存SKOS用語集に対してツールを適用した。
• 標準的なRDF/SPARQLクエリおよび検証技術を用いて、ラベルの欠落、損傷したリンク、構造的不一致などの問題を検出した。
• 概念スキーマ、関係、ラベル、ドキュメンテーションのメタデータを収集・処理し、品質の次元を評価した。

実験結果

リサーチクエスチョン

• RQ1 SKOS規格で定義された整合性制約を超えて、SKOS用語集に見られる品質問題は何か？
• RQ2 SKOS用語集の品質問題を、自動検出が可能な計算可能なチェックに形式化するにはどうすればよいか？
• RQ3 既存のSKOS用語集はどの程度、構造的、ラベル付け的、リンク関係的な問題を抱えているか？
• RQ4 計算可能な品質チェックは、用語集メンテナーよりも実行可能な問題をどの程度特定できるか？
• RQ5 これらの品質問題は、相互運用性および使いやすさに実世界でどのような影響を及えるか？

主な発見

• 分析された15のすべてのSKOS用語集に少なくとも1つの品質問題が存在し、基本的な整合性制約を超えた広範な問題が確認された。
• ラベル関連の問題が広範にわたって発生しており、多言語で公開されているにもかかわらず、AGROVOCの38％の概念にドイツ語ラベルが存在しなかった。
• 構造的問題として、LVAkでは11の分離された概念クラスタ、DBpediaでは階層的循環が複数の用語集に確認された。
• 損傷したリンクが大きな問題であった。Eurovocでは40万件以上のリンク、LCSHでは50万件以上のリンクが検証を必要としており、その多くは解決不能であった。
• いくつかの用語集でトップコンセプトが欠落しており、GTAAやGeonames、Eurovocでは、1つの概念スキーマが完全にトップコンセプトを持たないことが判明した。
• 価値のないまたは誤って使用された関係、例えば唯一の推移的関係である関係や、定義されていないSKOSリソースが複数の用語集で検出され、規格の誤解が示唆された。