[论文解读] Making Metadata Fit for Next Generation Language Technology Platforms: The Metadata Schema of the European Language Grid

Penny Labropoulou, Katerina Gkirtzou+13 more|arXiv (Cornell University)|Mar 30, 2020

Semantic Web and Ontologies参考文献 12被引用 10

一句话总结

本文提出ELG-SHARE，一种全面的元数据模式，旨在标准化欧洲语言网格（ELG）平台内语言资源与技术（LRTs）的描述。通过整合现有词汇表并符合FAIR原则，该模式可实现跨欧洲多语言NLP工具、数据和服务的高效发现、共享与重用，为研究和商业应用提供可扩展、互操作的框架。

ABSTRACT

The current scientific and technological landscape is characterised by the increasing availability of data resources and processing tools and services. In this setting, metadata have emerged as a key factor facilitating management, sharing and usage of such digital assets. In this paper we present ELG-SHARE, a rich metadata schema catering for the description of Language Resources and Technologies (processing and generation services and tools, models, corpora, term lists, etc.), as well as related entities (e.g., organizations, projects, supporting documents, etc.). The schema powers the European Language Grid platform that aims to be the primary hub and marketplace for industry-relevant Language Technology in Europe. ELG-SHARE has been based on various metadata schemas, vocabularies, and ontologies, as well as related recommendations and guidelines.

研究动机与目标

• 为解决欧洲语言技术（LT）生态系统中的碎片化问题，通过创建统一的元数据模式，支持多种LRTs。
• 作为工业与研究相关LT服务和数据的中心枢纽，支持欧洲语言网格（ELG）平台。
• 通过与现有标准和DMP指南对齐，将FAIR（可发现、可访问、可互操作、可重用）原则嵌入LRT元数据中。
• 通过捕获验证过程中使用的研究数据和工具的元数据，支持科学发现的可重现性。
• 通过标准化、机器可读的元数据，促进欧盟数字单一市场内的跨语言、跨文化沟通。

提出的方法

• ELG-SHARE模式通过整合现有元数据标准、词汇表和本体（包括META-SHARE、ELRA和ELRC-SHARE）开发而成。
• 该模式支持对LRTs的丰富描述，包括服务、工具、语料库、模型、词典以及组织和项目等关联实体。
• 采用XML Schema Definition（XSD）实现，支持版本化发布，并以CC-BY-4.0许可公开提供。
• 该模式与数据管理计划（DMP）模板关联，以确保生命周期合规性，涵盖数据获取、保存和共享等环节。
• 从现有存储库（如ELRA、LINDAT-CLARIAH）中汇编元数据记录，并对商业与非商业服务进行人工校对。
• 平台支持元数据校对、自动增强以及元数据编辑器，以实现模式的持续维护与演进。

实验结果

研究问题

• RQ1 如何设计统一的元数据模式，以支持多种欧洲语言中的多样化语言资源与技术？
• RQ2 需要哪些技术和组织机制，以确保语言技术元数据中嵌入FAIR原则？
• RQ3 元数据模式如何促进研究级与商业可用语言工具的发现与重用？
• RQ4 标准化的数据管理计划（DMP）在确保LRTs长期可持续性与可重现性方面发挥何种作用？
• RQ5 如何扩展元数据模式，以支持基于云平台的商业服务计费与访问控制？

主要发现

• ELG-SHARE模式v1.1已发布，并通过GitLab以CC-BY-4.0许可公开提供，支持LRTs的机器可读、互操作元数据。
• 从ELRA、ELRC-SHARE和META-SHARE等现有存储库中，汇编并转换了超过300项具有开放许可的数据资源，纳入ELG目录。
• 约170项功能性的语言技术服务经人工描述并集成至ELG平台，支持基于云的访问与执行。
• 该模式支持将研究数据与工具纳入目录，通过详细元数据捕获，支持科学发现的可重现性。
• 将DMP模板与元数据模式集成，确保符合H2020要求，并支持从数据获取到共享的数据生命周期管理。
• 平台设计为可迭代改进，持续开发元数据增强、校对工具以及商业服务的计费模块规范。