[论文解读] MapSDI: A Scaled-up Semantic Data Integration Framework for Knowledge Graph Creation

Samaneh Jozashoori, María-Esther Vidal|arXiv (Cornell University)|Sep 3, 2019

Semantic Web and Ontologies参考文献 13被引用 17

一句话总结

MapSDI 是一种可扩展的语义数据集成框架，通过使用映射规则（如 RML）对异构、大规模数据集进行预处理，以提取相关属性并消除重复项，从而在 RDF 化之前优化知识图谱的创建。通过利用关系代数特性与映射规则中的语义知识，MapSDI 将 RDFizer 执行时间最多减少一个数量级，且无数据丢失，显著提升了在高容量、多样化和高真实性大数据环境下的性能。

ABSTRACT

Semantic web technologies have significantly contributed with effective solutions for the problems of data integration and knowledge graph creation. However, with the rapid growth of big data in diverse domains, different interoperability issues still demand to be addressed, being scalability one of the main challenges. In this paper, we address the problem of knowledge graph creation at scale and provide MapSDI, a mapping rule-based framework for optimizing semantic data integration into knowledge graphs. MapSDI allows for the semantic enrichment of large-sized, heterogeneous, and potentially low-quality data efficiently. The input of MapSDI is a set of data sources and mapping rules being generated by a mapping language such as RML. First, MapSDI pre-processes the sources based on semantic information extracted from mapping rules, by performing basic database operators; it projects out required attributes, eliminates duplicates, and selects relevant entries. All these operators are defined based on the knowledge encoded by the mapping rules which will be then used by the semantification engine (or RDFizer) to produce a knowledge graph. We have empirically studied the impact of MapSDI on existing RDFizers, and observed that knowledge graph creation time can be reduced on average in one order of magnitude. It is also shown, theoretically, that the sources and rules transformations provided by MapSDI are data-lossless.

研究动机与目标

• 为解决知识图谱创建中语义数据集成的可扩展性挑战，特别是针对高容量、多样化和高真实性的大数据。
• 减少现有 RDFizer（如 RMLmapper 和 SDM-RDFizer）因冗余数据和低效处理带来的性能开销。
• 通过利用映射规则中编码的语义知识，实现对输入数据集的高效、无损预处理。
• 将模式级集成与数据级集成整合到单一优化的处理管道中，避免昂贵的后期处理步骤。

提出的方法

• MapSDI 使用映射规则（如 RML）识别所需属性，并对输入数据集应用基于语义的预处理。
• 基于规则语义应用关系代数操作——投影与选择，以在 RDF 化前减小数据量。
• 将投影和选择操作下推至数据处理管道中，以最小化 RDFizer 的输入数据量。
• 基于映射规则中定义的属性集执行去重操作，提前在管道中减少数据冗余。
• MapSDI 通过保留生成正确 RDF 三元组所需的所有语义信息，确保转换过程无数据丢失。
• 该框架使用真实世界的生物医学数据集进行评估，并与现有 RDFizer（RMLmapper、SDM-RDFizer）集成，以衡量性能提升。

实验结果

研究问题

• RQ1 是否可以利用映射规则中的语义知识对输入数据进行预处理，显著减少知识图谱创建中 RDFizer 的执行时间？
• RQ2 MapSDI 的无损数据预处理在大规模、异构且低质量数据集上对现有 RDFizer 的可扩展性有何影响？
• RQ3 在通过 RML 三元组映射连接多个数据集时，属性投影与去重在多大程度上提升了性能？
• RQ4 MapSDI 是否可独立于底层映射语言或 RDFizer 使用，且在不同工具上是否保持一致的性能增益？

主要发现

• MapSDI 在多个测试数据集上将 RDFizer 执行时间平均减少了一个数量级。
• 在 100% 重复数据集上，预处理后输入数据集大小从 235,000 KB 减少至 997 KB，降幅达 98%，显著提升了性能。
• 即使在高达 100% 的重复率下，MapSDI 仍保持稳定的性能表现，而基线框架（T-framework）的执行时间随数据量和重复率增加而上升。
• MapSDI 使 SDM-RDFizer 成功完成此前超时（500 秒）的连接操作，证明其在复杂映射条件下具备更强的可扩展性。
• 理论分析证实，MapSDI 的预处理步骤是无数据丢失的，确保最终知识图谱在语义上与原始集成管道完全一致。
• 实证结果表明，无论使用何种 RDFizer，MapSDI 均优于基线系统，且在不同数据规模和重复率下均保持一致的性能增益。