[论文解读] The Empusa code generator: bridging the gap between the intended and the actual content of RDF resources

Jesse C. J. van Dam, Jasper J. Koehorst+2 more|arXiv (Cornell University)|Dec 11, 2018

Semantic Web and Ontologies参考文献 7被引用 6

一句话总结

Empusa 是一种代码生成器，通过自动从统一输入生成 OWL 和 ShEx 模式、经验证的 API（R 和 Java）、Markdown 文档以及可视化图，弥合了预期 RDF本体结构与实际数据内容之间的差距。它确保了本体、数据结构与内容之间的一致性，减少了生命科学领域语义网应用中的错误和开发时间。

ABSTRACT

The RDF data model facilitates integration of diverse data available in structured and semi-structured formats. To obtain an RDF graph with a low amount of errors and internal redundancy, the chosen ontology must be consistently applied. However, with each addition of new diverse data the ontology must evolve thereby increasing its complexity, which could lead to accumulation of unintended erroneous composites. Thus, there is a need for a gatekeeping system that compares the intended content described in the ontology with the actual content of the resource. Here we present Empusa, a tool that has been developed to facilitate the creation of composite RDF resources from disparate sources. Empusa can be used to convert a schema into an associated application programming interface (API) that can be used to perform data consistency checks and generates Markdown documentation to make persistent URLs resolvable. In this way, the use of Empusa ensures consistency within and between the ontology (OWL), the Shape Expressions (ShEx) describing the graph structure, and the content of the resource.

研究动机与目标

• 解决异构生命科学资源中预期 RDF 本体定义与实际数据内容之间不一致的问题。
• 减少在开发和维护基于 RDF 的本体及其相关数据管道过程中的人工工作量和错误率。
• 提供一种网关系统，在数据创建过程中验证数据是否符合本体和结构约束。
• 通过自动生成功能可重用的代码和文档，简化语义网工具的开发流程。
• 通过支持 GBOL 堆栈及类似大规模本体，实现可扩展、一致且可维护的数据建模。

提出的方法

• 接受在 Protégé 中输入的 OWL 类与简化版 ShEx 格式属性定义的组合。
• 使用 RDFS 表示类层次结构，使用 ShEx 定义属性多重性（0..1、1..1、0..N、1..N）和目标值类型。
• 生成完整的 OWL 文件以保持与标准的兼容性，并生成 ShEx 文件用于数据验证。
• 自动生产强制执行结构约束的 R 和 Java API，以在数据生成过程中确保一致性。
• 使用 rdfs:label 和 skos:description 生成 Markdown 文档，实现可解析的、人类可读的 URL。
• 利用 RDF2Graph 在 Cytoscape 中生成直观的本体可视化图，便于浏览。

实验结果

研究问题

• RQ1 在数据创建过程中，如何强制实现本体预期结构与实际 RDF 数据内容之间的一致性？
• RQ2 自动化代码与文档生成对大规模基于 RDF 的本体的可维护性与可扩展性有何影响？
• RQ3 使用统一的 OWL 与 ShEx 输入格式在多大程度上可减少数据建模与验证中的错误？
• RQ4 与手动开发相比，Empusa 在大规模语义网项目中的时间与工作量投入有何差异？
• RQ5 自动化 API 生成能否确保 RDF 数据导出中的类型安全与多重性约束？

主要发现

• Empusa 将原本预计需 1 年时间（50 行/小时）完成的 GBOL 堆栈 80,000 行代码的手动生成工作，缩短至近乎即时生成。
• 该工具成功从单一输入生成一致且经验证的输出，包括 OWL、ShEx、R 和 Java API、Markdown 文档以及可视化图。
• 生成的 API 强制执行多重性与类型约束，显著减少了常见 RDF 数据错误，如缺失类型、无效谓词和非唯一 IRI。
• 使用 rdfs:label 和 skos:description 生成的 Markdown 文档可实现可解析的持久化 URL，用于本体元素。
• 与 RDF2Graph 的集成使得用户可在 Cytoscape 中进行本体的可视化浏览，提升了可用性与可检查性。
• Empusa 支持本体在开发过程中的持续一致演化，最大限度减少了预期结构与实际数据结构之间的偏差。