Modelling annotations for Europeana and related projects - DARIAH-EU WS
Séminaire Inria IST - Référentiels et interoperabilité (2)
1. Référentiels et interoperabilité (2)
Antoine Isaac
Europeana & Vrije Universiteit Amsterdam
Séminaire INRIA IST
Carnac, 2 Octobre 2012
2. Interopérabilité des éléments de données
• Objectif: passer de données exprimées avec un jeu
d’éléments de données à un autre jeu
• Typiquement, relier classes et propriétés de deux ontologies
– owl:equivalentClass, owl:equivalentProperty
– rdfs:subClassOf, rdfs:subPropertyOf
– Axiomes « ad hoc »
edm:Agent rdfs:subClassOf [
rdf:type owl:Restriction ;
owl:maxCardinality "1"^^xsd:nonNegativeInteger ;
owl:onProperty rdaGr2:dateOfBirth
].
3. Idéalement: réutiliser un maximum de
référentiels
Exemple: EDM
http://lov.okfn.org/dataset/lov/details/vocabulary_edm.html
4. Idéalement: réutiliser un maximum de
référentiels
Delacroix en EDM
<http://www.mied.fr/personne/Eugene_Delacroix>
rdf:type edm:Agent ;
foaf:name "Eugène Delacroix" ;
skos:altLabel " Ferdinand Victor Eugène Delacroix" ;
rdaGr2:dataOfBirth "26 avril 1798" .
6. Leçons pour la réutilisation d’éléments de données
Points cruciaux :
• Accessibilité technique (Linked Data)
• Documentation
Le support institutionnel est crucial
• Bonne interconnection - Eviter la duplication
• Réponse à des besoins spécifiques (requirements), pas
seulement des problèmes philosophiques
• Nécessité de “cartographier” l’offre disponible
Cf. Linked Open vocabularies: http://lov.okfn.org/dataset/lov/
7. En pratique: alignement post hoc
• Souvent la roue a déjà été inventée, quelque part
• Mais elle n’était peut-être pas belle…
• Et/ou pas vraiment adaptée à votre besoin
Cas des ontologies applicatives ou de sous-domaines
Privilégier une élément d’un jeu particulier peut être contre-productif
Malheureusement beaucoup sont encore réticents à assembler
leur jeux d’éléments en recyclant directement des vocabulaires
existants
9. Comment ?
• En général les fournisseurs voudront créer le mapping eux
mêmes
– Travail ardu, mais la précision est cruciale
– Beaucoup ont déjà l’expérience
• Pas d’instruction sur comment le réaliser
Plus tard: inférence en utilisant des axiomes OWL, matérialisation par
requête SPARQL CONSTRUCT
Pour l’instant: n’importe quelle feuille de style XSLT ou script XML-
>EDM/XML
11. Outillage
• Autres projets liés à Europeana
PrestoPrime prestoprime.joanneum.at
EuropeanaConnect semanticweb.cs.vu.nl/xmlrdf
• Context plus général
R2R www4.wiwiss.fu-berlin.de/bizer/r2r
Datalift datalift.org
…
12. Intéropérabilité des vocabulaires de valeurs
Provient d’un jeu
d’éléments de données
/ ontologie
Provient d’un vocabulaire contrôlé
12
13. Intéropérabilité des vocabulaires de valeurs
• Requiert l’alignement des éléments de données utilisés pour
chacun des vocabulaires, ou la conversion vers un jeu
d’élément pivots (par ex. SKOS)
• Requiert la détection d’équivalences « sémantiques » entre
concepts
17. Un problème difficile
L’alignement manuel de vocabulaires demande beaucoup de travail
• LCSH, RAMEAU et SWD alignés dans le projet MACS
• SWD et Dewey alignés dans le projet CRISS-CROSS
Problème: taille, langue, différence d’approches
Le crowdsourcing n’a pas encore été expérimenté pour des
vocabulaires experts
19. Alignement lexical
• Utilise les libellés des concepts, définitions…
exactMatch chat
chat
exactMatch chats
chat
exactMatch cat
chat
broaderMatch Barque
barque avancée à la perche
Web Sémantique et
Interopérabilité des
Vocabulaires Conceptuels
22. Extensionnelles
Utilisant les ressources décrites avec les vocabulaires de valeurs
Thesaurus 1 Thesaurus 2
Néerlandais
Litérature néerlandaise
23. Combiner des techniques: AMALGAME
• Do not try to make the tool smart
– use simple atomic matching components
– fast, scalable, with predictable and understandable results
• Empower domain experts by interactive iteration loop
– try most promising component(s)
– analyze the results
– decide on next step:
• discard results from last attempt
• refine current results to improve precision
• look for more results to improve recall
http://semanticweb.cs.vu.nl/amalgame/
23
26. Alignement: pas de solution triviale
• Ces techniques permettent d’obtenir des résultats
STW, AGROVOC…
• Mais seules, elles ne suffisent pas
Combinaison avec travail manuel (vérification, complétion)
• L’alignement est un problème de recherche difficile
• La R&D s’est surtout concentrée sur les ontologies
• Le Web de données change la donne
Des outils pour jeux de données sont dévoloppés, e.g., SILK
www4.wiwiss.fu-berlin.de/bizer/silk/
27. Un problème général d’alignement
http://www.w3.org/2005/Incubator/lld/XGR-lld-vocabdataset/
28. Un problème général d’alignement
• Les vocabulaires de valeurs sont des jeux de données, d’un
point de vue technique
• Ils sont plus « réguliers » que les jeux de données généraux
Une sous-famille utilisant SKOS comme ontologie
• Des techniques similaires sont appliquées aux ontologies,
valeurs de vocabulaires et autres jeux de données, même si
les caractéristiques des référentiels et les besoins en relations
sont différents
34. Guidage par la communauté ?
http://www.w3.org/2005/Incubator/lld/XGR-lld-vocabdataset/
35. Guidage par la communauté ?
• Liens entre ressources spécifiques aux bibliothèques
VIAF, LCSH, Dewey, UDC, Worldcat, PND…
• Liens de/vers des ressources plus générales
– Musées, archives
– Coommunauté scientifique: données de recherche
– Editeurs
– Europeana et autres aggrégateurs
36. Critères de sélection
Exemple: EuropeanaConnect
• Pertinence institutionnelle, par rapport aux collections
• Adequation du type de ressources (lieux, sujets, personnes…)
à l’application
• “Qualité”
– Grain conceptuel et couverture
– Couverture lexicale – langues
– Couverture et précision des liens sémantiques
• Licenses
37. Flexibiliser l’approche pivot ?
• Aligner des ressources petites et spécialisées à des ressources plus
grandes et générales, multi-lingues et/ou largement adoptées
• Des ressources plus spécialisées pourraient être retenues comme points
d’ancrage, en fonction des domaines et des alignement existants
• Plusieurs ressources complémentaires, d’importance comparable,
pourraient ensemble jouer le rôle de pivot
– La combinaison LCSH-RAMEAU-SWD-etc. peut jouer pour les sujets un rôle
similaire à VIAF
– Il est possible d’aligner des vocabulaires spécifiques à l’un ou l’autre
38. Flexibiliser l’approche pivot ?
Les outils d’alignment doivent supporter des stratégies flexibles,
avec essais et erreurs
39. Quels types de liens ?
Beaucoup d’ontologies proposent des liens d’équivalence
sémantique pour des instances de classes
• owl:sameAs
• skos:exactMatch, skos:closeMatch
• skos:broadMatch, narrowMatch & relatedMatch
• umbel:isLike
• ore:isSimilarTo
• foaf:focus
…
40. Problèmes d’application des liens :
owl:sameAs
• En principe, deux URIs liées par owl:sameAs partagent
automatiquement
ex:a name “Antoine Isaac” .
ex:b owl:sameAs ex:a .
implique
ex:b name “Antoine Isaac” .
• En pratique, owl:sameAs est appliqué entre des ressources
qui ne sont que “très similaires”
Une même ressource, mais dans differents contextes
41. Problèmes d’application des liens :
owl:sameAs
• Par ex., première version de data.nytimes.com
http://data.nytimes.com/60694995023816375851
dcterms:rightsHolder The New York Times Company .
http://data.nytimes.com/60694995023816375851
owl:sameAs http://dbpedia.org/resource/Park_Slope%2C_Brooklyn .
• Quelles conséquences?
On peut se contenter de ne pas “appliquer” la sémantique de owl:sameAs
42. Bonnes pratiques (1)
Regarder ce qui est aligné
Concepts ou autorités
vs. documents
vs. entités “du monde réel” (personnes, lieux…)
Tenir compte de comment ça a été aligné
Co-reference exacte obtenue par reconnaissance d’identifiants uniques
vs. similarité (incl. équivalence) dérivée de libellés ou relations sémantiques
Représenter les données sur l’alignment et/ou la correspondance individuelle est
une option
43. Au-delà des liens simples
Pour des besoins spécifiques, on peut représenter des
alignments et leur provenance de façon très fine
http://alignapi.gforge.inria.fr/edoal.html
44. Bonnes pratiques (2)
Minimiser l’engagement sémantique des liens utilisés
• skos:exactMatch est transitive: les concepts liés peuvent être échangés en
toute généralité, par ex. pour des applications de recherche d’information
• skos:closeMatch n’est pas transitive, pour représenter un lien qui ne se
“propage” pas dans les cas où plus de deux vocabulaires sont alignés de
manière approximative
Tenir compte de l’application de l’alignement
• SKOS implique un “contexte d’application” des alignements
• La qualité d’un alignement dépend aussi du type d’application qui l’emploie !
45. Evaluation spécifique à une application
Campagne Ontology alignment Evaluation Initiative 2007
3 outils évalués suivant deux scénarios: “fusion de thesaurus” et
“ré-indexation de livres”
100% 100%
90% 90%
80% 80%
70% 70%
60% Falcon 60% Falcon
50% Silas 50% Silas
40% DSSim 40% DSSim
30% 30%
20% 20%
10% 10%
0% 0%
Precision Coverage Pa Ra
46. Evaluation spécifique à une application
Cas: 2 thesauri à la bibliothèque nationale des Pays-Bas: GTT and
Brinkman
• Pour la fusion de thesaurus, gtt:excavation doit être aligné
avec brinkman:excavation
• Pour la ré-indexation, gtt:excavation doit être aligné avec
brinkman:archeology_netherlands
47. Applications d’alignements
Par exemple:
• Recherche à base de concepts
• Ré-indexation de livres
• Fusion de thesaurus
• Integration d’un thesaurus dans un autre
• Recherche plein texte
• Navigation
Suggère l’utilisation des correspondences et l’information qu’elles
devraient fournir
48. Prédiction de sujets à la KB
Point de départ
• 2 collections
• Chacune indexée par son propre thesaurus
49. Prédiction de sujets à la KB
Ré-indexation
• But: avoir les livres d’une collection décrits avec le
thesaurus de la seconde
• Par ex: si un thesaurus est abandonné, les livres doivent
être indexés avec l’autre
51. Prototype
Dans le projet STITCH
• Etant donnés des index NND/Biblion, prédire un index Brinkman
• Mix de techniques
– Lexicales
– Statistiques, utilisant 240000 livres communs, très spécifique au scénario
• Integration dans le logiciel de catalogage
• Etude utilisateurs (catalogueurs)
STITCH final event
52.
53. Règles de prédiction de sujets
Source combination → target concept Confidence Correct books
level / Total
DGP:Jeugd fictie; vanaf 13 jaar' + KAR:Stripverhaal → 0.995 182/182
BTR:stripverhalen
LTR:Reisgidsen + LTR:Spanje → 0.982 50/50
BTR:Spanje ; reisgidsen
LTR:Liefde + AUT:Jeanette Winterson → 0.540 1/1
romans en novellen ; vertaald
LTR:Bouwkunde → BTR:leermiddelen ; bouwtechniek 0.196 25/123
Les techniques d’alignment extensionnelles prennent en compte
les variation d’usage et peuvent être très utiles pour des
applications spécifiques
54. Conclusions
• Des solutions techniques qui permettent de résoudre des
problèmes, mais mettent en valeur là où la difficulté se pose
vraiment
– Interopérabilité et contexte
– Applications et requirements
• Il semble qu’il y ait besoin de professionnels de l’information !
– Sélection de ressources
– Alignement manuel et semi-automatique
– Relation aux application
• Focus de cette présentation : pas les outils, mais un contexte
pour juger les outils
55. Merci !
aisaac@few.vu.nl
EuropeanaConnect WP1 @ VU Amsterdam
Jacco van Ossenbruggen, Victor de Boer, Jan Wielemaker,
Guus Schreiber
Equipe projet STITCH: Lourens van der Meij, Shenghui Wang,
Stefan Schlobach, Frank van Harmelen, Henk Matthezing,
Claus Zinn
Hinweis der Redaktion
Pictures from Frank van Harmelen
Early results with post-doc
Duplicate creation and maintenance effort No unified access
Duplicate creation and maintenance effort No unified access
Generated index should be generally small 99.2% of depot books indexed with no more than 3 Brinkman concepts
LTR -- Biblion concepts, AUT -- main authors of books, KAR -- ``characteristic'' and DGP -- intellectual level/target group.