[论文解读] Constraints to Validate RDF Data Quality on Common Vocabularies in the Social, Behavioral, and Economic Sciences

Thomas Hartmann, Benjamin Zapilko+2 more|arXiv (Cornell University)|Apr 17, 2015

Semantic Web and Ontologies参考文献 5被引用 3

一句话总结

本文提出了一套全面的81条RDF约束，用于验证社会、行为与经济（SBE）科学中常用本体（如DDI-RDF、RDF Data Cube、SKOS、XKOS和PHDD）中的数据质量。这些约束按严重性（INFO至ERROR）分类，并基于领域专家意见和真实数据推导得出，可实现对链接数据应用中元数据和数据质量的稳健验证。

ABSTRACT

To ensure high quality of and trust in both metadata and data, their representation in RDF must satisfy certain criteria - specified in terms of RDF constraints. From 2012 to 2015 together with other Linked Data community members and experts from the social, behavioral, and economic sciences (SBE), we developed diverse vocabularies to represent SBE metadata and rectangular data in RDF. The DDI-RDF Discovery Vocabulary (DDI-RDF) is designed to support the dissemination, management, and reuse of unit-record data, i.e., data about individuals, households, and businesses, collected in form of responses to studies and archived for research purposes. The RDF Data Cube Vocabulary (QB) is a W3C recommendation for expressing data cubes, i.e. multi-dimensional aggregate data and its metadata. Physical Data Description (PHDD) is a vocabulary to model data in rectangular format, i.e., tabular data. The data could either be represented in records with character-separated values (CSV) or fixed length. The Simple Knowledge Organization System (SKOS) is a vocabulary to build knowledge organization systems such as thesauri, classification schemes, and taxonomies. XKOS is a SKOS extension to describe formal statistical classifications. In this paper, we describe RDF constraints to validate metadata on unit-record data (DDI-RDF), aggregated data (QB), thesauri (SKOS), and statistical classifications (XKOS) and to validate tabular data (PHDD) - all of them represented in RDF. We classified these constraints according to the severity of occurring constraint violations. This technical report is updated continuously as modifying, adding, and deleting constraints remains ongoing work.

研究动机与目标

• 识别并形式化确保社会、行为与经济（SBE）科学中RDF结构化元数据和数据高质量的关键约束。
• 解决SBE本体在链接数据应用中缺乏标准化验证机制的问题。
• 通过严重性级别（INFO至ERROR）系统分类约束违规，以指导数据从业者优先处理数据质量问题。
• 通过基于实际SBE数据使用案例和专家意见，为约束语言的开发提供基础支持。
• 通过整理一个公开可访问、协作维护的验证需求数据库，为W3C SHACL和RDF验证生态系统做出贡献。

提出的方法

• 作者基于真实数据和专家意见，从成熟的SBE本体（包括DDI-RDF、RDF Data Cube（QB）、PHDD、SKOS和XKOS）中收集约束。
• 约束被划分为12类质量问题，如标签、文档、本体使用和URI方案合规性等。
• 每条约束均被正式指定，并根据专家对数据质量与可用性影响的评估，映射到严重性级别（INFO、WARNING、ERROR）。
• 验证规则使用SPARQL和SPIN实现，利用SPARQL原生支持的约束检查与推理功能。
• 本工作基于DCMI RDF应用档案工作组的公开验证需求数据库，补充了SBE领域特定的约束。
• 整个框架持续更新，并在 http://purl.org/net/rdf-validation 公开提供，支持社区贡献。

实验结果

研究问题

• RQ1 在SBE领域本体（如DDI-RDF、QB、SKOS和PHDD）中，确保RDF数据质量所必需的RDF约束类型有哪些？
• RQ2 如何系统性地按严重性对SBE RDF数据中的约束违规进行分类，以指导数据质量改进？
• RQ3 通过领域专家意见和真实数据分析，SBE领域中元数据和数据最关键的验证需求是什么？
• RQ4 现有约束语言（如SPIN、SHACL和OWL 2）在表达SBE特定验证规则方面有何比较优势？
• RQ5 链接数据最佳实践（如HTTP URI使用和正确标签）在SBE本体中维护数据质量方面发挥什么作用？

主要发现

• 本研究识别并形式化了81种对SBE本体中RDF数据质量验证至关重要的约束类型，涵盖元数据、标签、文档和结构完整性等方面。
• 约束按严重性级别分类，其中11条被标记为ERROR（例如HTTP URI方案违规、未定义的SKOS资源），表明存在严重数据质量问题。
• 最常见的约束违规涉及缺失或格式错误的标签（如空标签、不可打印字符），凸显了改进数据文档实践的必要性。
• 大量约束（如SKOS-C-LABELING-AND-DOCUMENTATION-01至SKOS-C-LABELING-AND-DOCUMENTATION-06）聚焦于标签和文档质量，突显了可读元数据的重要性。
• 研究证实，HTTP URI方案违规（如使用URN或DOI代替HTTP URI）是广泛存在的问题，被归类为ERROR级别约束。
• 本工作提供了一个公开可访问、持续更新的验证需求数据库，为SBE领域未来约束语言的开发和工具构建奠定了基础。