[论文解读] SERIMI - Resource Description Similarity, RDF Instance Matching and Interlinking

Samur Araújo, Jan Hidders+2 more|arXiv (Cornell University)|Jul 6, 2011

Semantic Web and Ontologies参考文献 27被引用 38

一句话总结

SERIMI 是一种新颖的、自动化的 RDF 实例匹配与互联方法，无需事先了解模式或领域知识即可计算资源描述的相似性。通过利用 RDF 实例之间的语义和句法相似性度量，该方法在基准数据集上优于当前最先进的方法，实现了在链接数据云中的可扩展且精确的互联。

ABSTRACT

The interlinking of datasets published in the Linked Data Cloud is a challenging problem and a key factor for the success of the Semantic Web. Manual rule-based methods are the most effective solution for the problem, but they require skilled human data publishers going through a laborious, error prone and time-consuming process for manually describing rules mapping instances between two datasets. Thus, an automatic approach for solving this problem is more than welcome. In this paper, we propose a novel interlinking method, SERIMI, for solving this problem automatically. SERIMI matches instances between a source and a target datasets, without prior knowledge of the data, domain or schema of these datasets. Experiments conducted with benchmark collections demonstrate that our approach considerably outperforms state-of-the-art automatic approaches for solving the interlinking problem on the Linked Data Cloud.

研究动机与目标

• 为解决在链接数据云中无需手动创建规则即可互联异构 RDF 数据集的挑战。
• 开发一种无需事先了解数据模式或领域知识的自动方法，用于在源数据集与目标数据集之间匹配实例。
• 通过利用资源描述中的语义和句法相似性，提高 RDF 实例匹配的准确性和可扩展性。
• 减少对专家手工构建规则的依赖，这些规则耗时且易出错。
• 为不断增长的链接数据生态系统中的数据集互联提供可扩展的解决方案。

提出的方法

• SERIMI 基于资源描述的文本内容，结合词汇、句法和语义匹配技术，计算 RDF 实例之间的相似性。
• 采用向量空间模型表示资源描述，并应用余弦相似度度量实例级别的相似性。
• 通过整合模式级别和实例级别的信息，提升匹配精度，即使在无先前模式对齐的情况下亦可实现。
• 采用基于阈值的方法确定匹配结果，可根据不同数据分布动态调整。
• 通过分析 RDF 三元组中主体、谓词和客体字符串，支持跨数据集及数据集内部的匹配。
• 设计为与模式无关，可应用于多样且异构的 RDF 数据集。

实验结果

研究问题

• RQ1 一种无需手动规则创建的自动、与模式无关的方法能否实现高精度的 RDF 实例匹配？
• RQ2 SERIMI 在标准基准测试中与现有最先进的自动实例匹配技术相比表现如何？
• RQ3 在缺乏模式知识的情况下，资源描述中的语义和句法相似性在多大程度上能提升互联的准确性？
• RQ4 SERIMI 能否在链接数据云中大规模且异构的 RDF 数据集中实现有效扩展？
• RQ5 结合词汇、句法和语义特征对实例匹配性能有何影响？

主要发现

• SERIMI 在标准基准数据集上的 RDF 互联任务中显著优于现有的自动实例匹配方法。
• 该方法在 F1 分数上优于当前最先进的技术，尤其在缺乏或仅有极少模式信息的场景下表现更优。
• 在资源描述中整合语义和句法特征可显著提升匹配准确性。
• 该方法在多种异构数据集中表现出强鲁棒性，无需模式或领域特定调优即可保持高性能。
• 无需手动配置规则，可实现更快的部署和在真实链接数据场景中的更广泛应用。
• 实验结果证实，仅基于文本描述的 SERIMI 相似性计算已足够实现高质量的互联。