[论文解读] Heuristics for publishing dynamic content as structured data with schema.org

Elias Kärle, Dieter Fensel|arXiv (Cornell University)|Aug 17, 2018

Service-Oriented Architecture and Web Services参考文献 22被引用 3

一句话总结

本文提出了一种上下文感知的启发式方法，用于将动态、快速变化的产品和服务数据以结构化的 schema.org 标记形式发布，避免对所有数据实例进行完整物化。通过使用抽象、选择性实例发布或 Web 服务引用，该方法在最小化服务器负载和数据泄露风险的同时，提升了可扩展性和性能——证明了在现实场景中，基于启发式的发布方式优于完整数据暴露。

ABSTRACT

Publishing fast changing dynamic data as open data on the web in a scalable manner is not trivial. So far the only approaches describe publishing as much data as possible, which then leads to problems, like server capacity overload, network latency or unwanted knowledge disclosure. With this paper we show ways how to publish dynamic data in a scalable, meaningful manner by applying context-dependent publication heuristics. The outcome shows that the application of the right publication heuristics in the right domain can improve the publication performance significantly. Good knowledge about the domain help choosing the right publication heuristic and hence lead to very good publication results.

研究动机与目标

• 解决将大量快速变化的动态数据（例如产品价格、可售性）作为机器可读的 schema.org 结构化数据发布的挑战。
• 克服因完整数据物化导致的可扩展性问题，如服务器过载、网络延迟以及意外的数据泄露。
• 开发上下文相关的启发式策略，实现在网络上对动态内容进行有意义、高效且安全的发布。
• 将基于启发式的策略与完整数据发布进行对比评估，重点关注性能、可维护性和实际可行性。
• 指导实践者根据领域特定特征和数据维度选择合适的启发式策略。

提出的方法

• 提出四种启发式策略：(1) 发布抽象数据并引用 Web 服务以查找具体数据；(2) 发布单个代表性实例，隐含其他实例的存在；(3) 基于维度数量的选择性实例物化；(4) 使用 Web 服务描述来暴露搜索或检索接口。
• 使用 schema.org 词汇表（sdo）为产品标注属性，如名称、描述、图像，以及 sdo/Offer 用于价格和可售性。
• 引入“长维度”概念——即具有过高基数的维度，使得完整物化不可行——并提出启发式方法以避免此类维度。
• 利用语义 Web 服务将抽象的 schema.org 标注与具体数据解耦，实现按需检索。
• 设计一个验证管道，检查 schema 兼容性以及对发布启发式的遵守情况，以防止数据泄露和不一致。
• 扩展 semantify.it 平台，支持选择性、基于启发式的标注发布，而非全站标注。

实验结果

研究问题

• RQ1 如何在不使服务器资源过载或暴露敏感信息的前提下，将高速变化的动态数据发布为结构化的 schema.org 数据？
• RQ2 不同启发式策略在发布动态数据时，其性能与可扩展性之间的权衡如何？
• RQ3 在何种情况下以及如何使用抽象或单个实例，而非完整物化所有数据变体？
• RQ4 领域特定知识如何指导最优发布启发式策略的选择？
• RQ5 在数据发布中，什么指标或标准可定义为“长维度”？此类维度如何被安全地忽略？

主要发现

• 没有一种启发式策略在所有情况下都优于其他策略；最佳方法高度依赖于具体用例和领域特征。
• 评估结果证实，基于启发式的策略在可扩展性、性能和资源效率方面始终优于完整物化。
• 通过引用 Web 服务发布抽象数据，显著降低了服务器负载，同时保持了机器可读性，并支持按需访问数据。
• 当维度数量可控时，选择性实例级物化是有效的，但当需要判断哪些维度属于“长维度”或应被排除时，该方法变得复杂。
• 通过提供对底层 Web 服务的访问，可减轻抽象带来的信息损失，确保消费者在需要时能够检索具体数据。
• 将发布启发式集成到 semantify.it 等平台中，可对发布哪些数据子集实现细粒度控制，从而提升实际部署的可行性。