[论文解读] OBDA for the Web: Creating Virtual RDF Graphs On Top of Web Data Sources

Konstantina Bereta, George Papadakis+1 more|arXiv (Cornell University)|May 22, 2020

Semantic Web and Ontologies参考文献 19被引用 5

一句话总结

本文介绍了 Ontop4theWeb，一种基于 OBDA 的系统，通过创建无需物化数据的虚拟 RDF 图，实现对异构 Web 数据源（如 HTML 表格和 REST API）的即时 SPARQL 查询。该系统利用 R2RML 映射中的虚拟表算子和微服务架构，实现高性能与高准确性，在响应时间方面比现有系统快达三倍，同时充分利用缓存并支持与第三方服务的无缝集成。

ABSTRACT

Due to Variety, Web data come in many different structures and formats, with HTML tables and REST APIs (e.g., social media APIs) being among the most popular ones. A big subset of Web data is also characterised by Velocity, as data gets frequently updated so that consumers can obtain the most up-to-date version of the respective datasets. At the moment, though, these data sources are not effectively supported by Semantic Web tools. To address variety and velocity, we propose Ontop4theWeb, a system that maps Web data of various formats into virtual RDF triples, thus allowing for querying them on-the-fly without materializing them as RDF. We demonstrate how Ontop4theWeb can use SPARQL to uniformly query popular, but heterogeneous Web data sources, like HTML tables and Web APIs. We showcase our approach in a number of use cases, such as Twitter, Foursquare, Yelp and HTML tables. We carried out a thorough experimental evaluation which verifies the high efficiency of our framework, which goes beyond the current state-of-the-art in this area, in terms of both functionality and performance.

研究动机与目标

• 为应对 Web 数据在多样性与高速性方面的挑战，通过无需预先物化数据的方式，实现对 HTML 表格和 REST API 等异构数据源的统一 SPARQL 查询。
• 克服现有系统依赖自定义 SPARQL 扩展、不支持 HTML 表格或缓存与数据集成效率低下的局限性。
• 提供可扩展的、符合标准的解决方案，采用标准 SPARQL 与 R2RML，实现与第三方服务（如情感分析）的无缝集成。
• 证明在真实世界、高速 Web 数据源（如 Twitter、Foursquare、Yelp 和 Wikipedia）上创建虚拟 RDF 图的可行性与性能表现。
• 验证该系统在性能、准确性和缓存利用率方面优于现有方法（如 SERVICE-to-API）的优越性。

提出的方法

• 扩展 SQL，通过在 R2RML 映射中嵌入虚拟表算子，实现在查询时动态获取并映射 Web 数据（如来自 HTML 表格或 REST API）为虚拟 RDF 三元组。
• 采用微服务架构，实现模块化、可组合的数据检索与外部服务（如情感分析或数据增强）的集成。
• 采用可配置的缓存机制，将每次 API 调用的整个虚拟表存储在缓存中，最大化缓存命中率并减少冗余调用。
• 利用基于本体的数据访问（OBDA）将虚拟关系型数据映射到 RDF 术语，支持对虚拟图的完整 SPARQL 查询处理。
• 支持冷缓存与热缓存场景，评估在不同数据更新频率与查询工作负载下的性能表现。
• 集成标准 R2RML 与 SPARQL，确保与现有语义网工具的兼容性，避免使用专有扩展。

实验结果

研究问题

• RQ1 系统能否在无需预先物化数据的前提下，实现对多样、高速 Web 数据源（如 HTML 表格和 REST API）的统一 SPARQL 查询？
• RQ2 在响应时间与缓存效率方面，Ontop4theWeb 与现有系统（如 SERVICE-to-API）相比表现如何？
• RQ3 在高更新率的复杂、异构数据源上查询时，系统在结果准确性方面能保持多大程度的稳定性？
• RQ4 系统能否有效利用缓存机制，减少 API 调用次数并提升可扩展性？
• RQ5 在虚拟化、按需数据访问模型中，与第三方服务（如情感分析）的集成性能如何？

主要发现

• Ontop4theWeb 在处理包含最多 100,000 行的 WebTables 时，可在数分钟内完成 SPARQL 查询，展现出高可扩展性与实时处理可行性。
• 该系统比 SERVICE-to-API 快达三倍，主要原因是其每次 API 调用可一次性获取整个结果集，而非逐个元组获取。
• Ontop4theWeb 充分利用缓存，通过为每次调用存储整个虚拟表，而 SERVICE-to-API 仅缓存每个调用的一个元组，导致缓存效率显著降低。
• 两个系统均实现 100% 的召回率，但 Ontop4theWeb 在全部六个查询中均保持 100% 的精确率与 F1 分数，而 SERVICE-to-API 因笛卡尔积行为导致假阳性结果。
• 结果表明，Ontop4theWeb 无需部分数据存储即可生成准确结果，而 SERVICE-to-API 必须额外缓存数据以避免错误结果。
• 实验评估证实，Ontop4theWeb 在功能与性能方面均优于当前最先进水平，尤其在高速、异构数据环境中表现突出。