[论文解读] A Graph Analysis of the Linked Data Cloud

Marko A. Rodriguez|ArXiv.org|Mar 2, 2009

Semantic Web and Ontologies参考文献 19被引用 20

一句话总结

本文通过从2009年2月27日的可视化结果构建有向图，并应用包括PageRank中心性与同配性在内的图分析方法，分析了截至2009年3月的链接数据云结构。主要发现为：数据量较大的数据集（按三元组数量计）在网络中更具中心性，且图表现出弱异配性混合，表明大型与小型数据集倾向于相互链接，暗示了一种去中心化、可扩展的数据集成模型。

ABSTRACT

The Linked Data community is focused on integrating Resource Description Framework (RDF) data sets into a single unified representation known as the Web of Data. The Web of Data can be traversed by both man and machine and shows promise as the extit{de facto} standard for integrating data world wide much like the World Wide Web is the extit{de facto} standard for integrating documents. On February 27$^ ext{th}$ of 2009, an updated Linked Data cloud visualization was made publicly available. This visualization represents the various RDF data sets currently in the Linked Data cloud and their interlinking relationships. For the purposes of this article, this visual representation was manually transformed into a directed graph and analyzed.

研究动机与目标

• 将链接数据云作为有向图进行结构特性分析，以理解其组织方式与可扩展性。
• 研究数据集大小（三元组数量）与网络中中心性的关系。
• 评估数据集大小的同配性，以判断大型数据集是否倾向于链接至其他大型数据集。
• 评估关键数据集在网络连通性与信息流中的作用。
• 通过识别数据之网中的结构模式，支持分布式、可扩展数据处理模型的开发。

提出的方法

• 将2009年2月27日的链接数据云可视化结果手动转换为包含86个顶点（数据集）与182条边（互链）的有向图。
• 使用阻尼因子δ = 0.85计算PageRank中心性，以评估节点的重要性。
• 采用Spearman与Kendall等级相关性检验评估三元组数量与PageRank中心性之间的关系。
• 在包含31个具有公开三元组数量的数据集的子图上执行同配性分析，以评估基于大小的链接偏好。
• 使用领先特征向量法识别社区结构，并采用Fruchterman-Reingold布局算法进行可视化。
• 所有分析均基于从可视化结果导出的静态图进行，忽略链接权重与节点大小。

实验结果

研究问题

• RQ1 链接数据云中数据集的中心性与其大小（RDF三元组数量）之间有何关联？
• RQ2 链接数据云中大型与小型数据集之间的链接行为具有何种特征？
• RQ3 网络中最中心的数据集是哪些？它们分别属于哪些领域？
• RQ4 该图在数据集大小方面在多大程度上表现出同配性或异配性？
• RQ5 链接数据云的哪些结构特性表明其在分布式数据处理中具有可扩展性或脆弱性？

主要发现

• 三元组数量与PageRank中心性之间的Spearman等级相关系数为ρ = 0.6274（p < 0.00016），表明存在强烈正相关关系。
• Kendall等级相关系数为τ = 0.4566（p < 0.00039），进一步证实三元组数量较多的数据集往往更具中心性。
• 三元组数量的同配性系数为-0.2064（p = 0.0302），表明存在弱异配性混合，即大型数据集倾向于链接至小型数据集，反之亦然。
• 中心性排名前15位的数据集主要来自计算机科学领域（如DBLP、CiteSeer）与生物学领域（如KEGG、UniProt），表明存在领域特定的枢纽节点。
• 图结构并非强同配性，表明其呈现去中心化、异质化的链接模式，而非大型数据集的聚集。
• 该分析支持构建分布式处理基础设施的必要性，以实现对数据之网的可扩展、协作式处理。