Παραγωγή βέλτιστων αντιστοιχίσεων για τη μετατροπή ετερογενών δεδομένων σε RDF

Transcript

1 ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Παραγωγή βέλτιστων αντιστοιχίσεων για τη μετατροπή ετερογενών δεδομένων σε RDF Ευστράτιος Η. Κεραμιδάς Επιβλέπων: Μανόλης Κουμπαράκης, Καθηγητής ΕΚΠΑ ΑΘΗΝΑ ΟΚΤΩΒΡΙΟΣ 2017

2 ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Ευστράτιος Η. Κεραμιδάς Α.Μ.: ΕΠΙΒΛΕΠΩΝ: Μανόλης Κουμπαράκης, Καθηγητής ΕΚΠΑ

3 ΠΕΡΙΛΗΨΗ Αναπτύσσουμε μία εφαρμογή για την παραγωγή αρχείων RDF από ετερογενή δεδομένα όπως αρχεία csv, shapefiles και σχεσιακές βάσεις δεδομένων μέσω αντιστοιχίσεων μεταξύ αυτών των αρχείων και μίας οντολογίας RDF. Δίνεται η ευελιξία στον χρήστη να διαλέξει ο ίδιος μέρος των αντιστοιχίσεων που θα χρησιμοποιηθούν για την παραγωγή του αρχείου RDF και έτσι τα αποτελέσματα μπορούν να είναι περισσότερο προσωποποιημένα. Ακόμα με την επιλογή ενός άπληστου αλγορίθμου η εφαρμογή μπορεί να λειτουργήσει και για μεγάλου μεγέθους δεδομένα. ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Σημασιολογικός Ιστός ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: RDF, GeoTriples, RML, R2RML

4 ABSTRACT We are developing an application to produce RDF files from heterogeneous data such as csv, shapefiles, and relational databases from mappings between these files and an RDF ontology. It gives the flexibility to the user to select part of the matchings that will be used to produce the RDF file, so the results can be more personalized. Furthermore, by using a greedy algorithm, the application can also work for large data. SUBJECT AREA: Semantic Web KEYWORDS: RDF, GeoTriples, RML, R2RML

5 ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ ΕΙΣΑΓΩΓΗ Kεντρική Iδέα Kίνητρο Οργάνωση της Πτυχιακής ΥΠOΒΑΘΡΟ RML Παράδειγμα RML για CSV αρχεια R2RML Αποστάσεις αλφαριθμητικών Απόσταση Levenshtein Απόσταση Damerau Levenshtein Σύνοψη GEOTRIPLES H Αρχιτεκτονική του GeoTriples Λεπτομέρειες υλοποίησης Δημιουργία και επεξεργασία των RML/R2RML Mappings Σύνοψη H ΕΦΑΡΜΟΓΗ Η αρχιτεκτονική της εφαρμογής Περιγραφή των τεχνολογιών της διεπαφής Αλγόριθμοι Αντιστοιχίσης και Πολυπλοκότητα Σύνοψη ΕΠΙΔΕΙΞΗ ΕΦΑΡΜΟΓΗΣ Παρουσίαση διεπαφής Επιλογή I'm Feeling Lucky Πολυπλοκότητα Παρουσίαση παραδείγματος... 30

6 5.3 Σύνοψη ΣΥΜΠΕΡΑΣΜΑΤΑ...36 ΣΥΝΤΜΗΣΕΙΣ ΑΡΚΤΙΚΟΛΕΞΑ ΑΚΡΩΝΥΜΙΑ...37 ΑΝΑΦΟΡΕΣ...38

7 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 1: Το συντακτικό της RML...σελ. 11 Εικόνα 2: Παράδειγμα Logical Source...σελ. 12 Εικόνα 3: Παράδειγμα Subject Map...σελ. 12 Εικόνα 4: Παράδειγμα Predicate Object Map...σελ. 13 Εικόνα 5: Η αρχιτεκτονική του GeoTriples...σελ. 18 Εικόνα 6: Η αρχιτεκτονική της εφαρμογής...σελ. 21 Εικόνα 7: H αρχική σελίδα της εφαρμογής...σελ.25 Εικόνα 8: Φόρτωση του Αρχείου εισόδου ή σύνδεση στην βάση...σελ. 26 Εικόνα 9: Εμφάνιση και των δύο γράφων...σελ. 27 Εικόνα 10: Εμφάνιση της αντιστοίχισης δύο γράφων...σελ. 28 Εικόνα 11: Εμφάνιση της παραγόμενης RML/R2RML...σελ. 29 Εικόνα 12: Modal για φόρτωση αρχείου zip με το shapefile...σελ. 29 Εικόνα 13: Φόρτωση οντολογίας και αρχείου csv...σελ. 32 Εικόνα 14: Αντιστοίχιση κλάσης με αρχείο csv...σελ. 32 Εικόνα 15: RML αρχείου csv...σελ. 34

8 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1: Δεδομένα csv για παράδειγμα RML...σελ. 13 Πίνακας 2: Διαφορές RML, R2RML...σελ. 15 Πίνακας 3: Άπληστη Αντιστοιχίση...σελ. 23 Πίνακας 4: Βέλτιστη Αντιστοιχίση...σελ. 23 Πίνακας 5: Υπόμνημα συμβόλων...σελ. 24 Πίνακας 6: Άπληστη Αντιστοιχίση αρχείου csv...σελ. 33 Πίνακας 7: Aντιστοίχιση αρχείου csv...σελ. 35

9 ΠΡΟΛΟΓΟΣ Η παρούσα εργασία διενεργήθηκε στα πλαίσια της Πτυχιακής Εργασίας του τμήματος Πληροφορικής και Τηλεπικοινωνιών με επιβλέποντα τον Καθηγητή κ. Μανόλη Κουμπαράκη.

10 1. ΕΙΣΑΓΩΓΗ 1.1 Kεντρική Iδέα Η κύρια συνεισφορά της πτυχιακής είναι η ανάπτυξη εφαρμογής για την παραγωγή αντιστοιχίσεων από ετερογενή δεδομένα όπως αρχεία csv, shapefiles και σχεσιακές βάσεις δεδομένων σε οντολογίες RDF και η μετατροπή τους σε RDF με βάση τις αυτές τις αντιστοιχίσεις. Ο χρήστης μπορεί να φορτώσει αρχεία που περιγράφουν μία RDF οντολογία και κάποια δεδομένα και να βρει μία αντιστοίχιση ανάμεσα στις δομές αυτών των αρχείων με βάση έναν αλγόριθμο. Στην περίπτωση που το μέγεθος των αρχείων είναι μεγάλο παρέχεται η δυνατότητα εφαρμογής ενός άπληστου αλγορίθμου. Για την παραγωγή ενός RML ή R2RML mapping μπορούν να επιλεχθούν συγκεκριμένες αντιστοιχίσεις και έτσι να βρεθούν πιο προσωποποιημένα αποτελέσματα. Για την μετατροπή των δεδομένων σε RDF υπάρχει επικοινωνία με το εργαλείο GeoTriples. 1.2 Kίνητρο Τα τελευταία χρόνια υπάρχει μία μεγάλη αύξηση στη δημοσίευση γεοχωρικών δεδομένων στο Διαδίκτυο. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για αρκετούς σκοπούς και πολλές φορές είναι χρήσιμη η μετατροπή τους σε RDF. Το εργαλείο GeoTriples μπορεί να χρησιμοποιηθεί με μεγάλη επιτυχία σε αυτό το σκοπό. H εφαρμογή που έχουμε αναπτύξει μπορεί να χρησιμοποιηθεί επίσης για αυτό τον σκοπό με έναν διαφορετικό τρόπο όμως. Χρησιμεύει στην αντιστοίχηση ετερογενών δεδομένων με μία υπάρχουσα οντολογία RDF και, την δημιουργία ενός RML/R2RML mapping από αυτή την αντιστοίχηση και μετέπειτα την δημιουργία του τελικού RDF. Με αυτόν τον τρόπο το τελικό RDF μπορεί να παραχθεί με βάση την ομοιότητα των αρχικών δεδομένων με την οντολογία και η επιλογή των αντιστοιχίσεων του mapping κάνει το αποτέλεσμα πιο προσωποποιημένο. 1.3 Οργάνωση της Πτυχιακής Υπάρχουν έξι κεφάλαια τα οποία απαρτίζουν την πτυχιακή. Στο επόμενο κεφάλαιο(υπόβαθρο) εισάγουμε τις βασικές γνώσεις που χρειάζεται ο αναγνώστης για καλύτερη κατανόηση. Στο τρίτο κεφάλαιο(geotriples) παρουσιάζει το εργαλείο GeoTriples που χρησιμοποιείται στην εφαρμογή μας. Στο τέταρτο κεφάλαιο(h Εφαρμογή) περιγράφουμε τα χαρακτηριστικά της εφαρμογής και αναλύουμε τις δυνατότητες της. Στο πέμπτο κεφάλαιο(επίδειξη Εφαρμογής) κάνουμε μία επίδειξη της εφαρμογής και ενός συγκεκριμένου παραδείγματος. Στο τελευταίο κεφάλαιο(συμπεράσματα) συνοψίζουμε. 10

11 2. ΥΠΟΒΑΘΡΟ 2.1 RML Η RML(RDF Mapping Language) είναι μία γλώσσα για την περιγραφή mappings απο ετερογενή δεδομένα σε RDF δεδομένα. Έχει σχεδιαστεί ως ένα υπερσύνολο της R2RML, η οποία είναι η επίσημη mapping γλώσσα του W3C και η οποία κάνει map δεδομένα από σχεσιακή βάση δεδομένων σε RDF, με σκοπό να επεκτείνει το εύρος της. Στην RML το mapping από τα δεδομένα στο RDF μοντέλο βασίζεται σε ένα η περισσότερα Triples Maps που ορίζουν πως θα παραχθούν οι τριπλέτες. Ένα Triples Map αποτελείται από τρία βασικά μέρη το Logical Source, το Subject Map και μηδέν ή περισσότερα Predicate-Object Maps.[1] Εικόνα 1: Το συντακτικό της RML[2] Στο παραπάνω σχήμα με μπλε χρώμα φαίνονται χαρακτηριστικά της R2RML που υπάρχουν και στην RML, με πράσινο όσα έχουν επεκταθεί για να χρησιμεύσουν στην RML, ενώ με κόκκινο κάποια ειδικά χαρακτηριστικά της RML.[3] Tο Logical Source( rml:logicalsource) προσδιορίζει το αρχείο εισόδου και αποτελείται από το source, το Reference Formulation και το iterator. 11

12 Στο source(rml:source) υπάρχει αναφορά στο αρχείο εισόδου. Επειδή η RML ασχολείται με διαφορετικά είδη αρχείων και όχι μόνο με σχεσιακές βάσεις δεδομένων όπως η R2RML, χρειάζεται να προσδιοριστεί το Reference Formulation που προσδιορίζει το είδος των δεδομένων και το iterator που περιγράφει τον τρόπο που θα διαβαστούν τα δεδομένα εισόδου Τα reference formulations ql:csv, ql:css3, ql:jsonpath, rr:sql2008 και ql:xpath είναι προκαθορισμένα. Εικόνα 2: Παράδειγμα Logical Source[4] Το Subject Map αποτελείται απο το template(rr:template) που προσδιορίζει πως παράγεται το subject στη τριπλέτα και προαιρετικά από τον τύπο του με το class(rr:class). Εικόνα 3: Παράδειγμα Subject Map[5] Οι τριπλέτες παράγονται χρησιμοποιοντας τα Predicate Object Maps. Ένα Predicate Object Map αποτελείται απο το Predicate Map που περιγράφει το predicate της τριπλέτας και το Object Map περιγράφει το object ή τα objects της τριπλέτας. 12

13 Εικόνα 4: Παράδειγμα Predicate Object Map[6] Παράδειγμα RML για CSV αρχεια Έστω οτι έχουμε ένα αρχείο csv με τα παρακάτω δεδομένα: Πίνακας 1: Δεδομένα csv για παράδειγμα RML id stop latitude longitude Τότε ένα παράδειγμα mapping με την RML μπορεί να είναι το παρακάτω: 13

14 2.2 R2RML H R2RML είναι μία γλώσσα που χρησιμοποιείται για να εκφραστούν ειδικά προσαρμοσμένες αντιστοιχίσεις (customized mappings) από σχεσιακές βάσεις δεδομένων σε RDF graphs. Αυτές οι αντιστοιχίσεις επιτρέπουν σε ήδη υπάρχοντα σχεσιακά δεδομένα να εκφραστούν σε RDF χρησιμοποιώντας τη δομή και το λεξιλόγιο που επιλέγει κάθε φορά ο προγραμματιστής. 14

15 Η R2RML ειναι W3C recommendation και είναι μια γλώσσα αντίστοιχη της RML και πιο πρώιμη αυτής με την διαφορά ότι οι αντιστοιχίσεις της είναι μόνο από σχεσιακές βάσεις δεδομένων σε RDF[7]. Η δομή τους είναι παρόμοια. Το LogicalTable μπορεί να είναι μια σχεσιακή βάση και είναι το αντίστοιχο του Logical Source της RML μόνο που η RML επεκτείνει το εύρος του σε οποιοδήποτε δεδομένα εισόδου Αντί για rml:source στην R2RML έχουμε το rr:tablename που καθορίζει το όνομα του πίνακα ή της προβολής. Ένα TriplesMap ορίζεται για κάθε ένα LogicalTable που θα εξαχθεί σε RDF και αποτελείται όπως και στην rml από ένα Subject Map και μηδέν ή περισσότερα Predicate-Object Maps. Το SubjectMap είναι ένας κανόνας που καθορίζει πως θα παράγεται το subject στη τριπλέτα και συνήθως χρησιμοποιείται το πρωτεύων κλειδί. Το Predicate Object Map αποτελείται απο predicate maps και object maps. Το Predicate Map προσδιορίζει το property που χρησιμοποιείται για να συσχετίσει το Subject και το Object της παραγόμενης τριπλέτας και το Οbject Μap που καθορίζει πως θα παράγεται το object στη τριπλέτα και η τιμή του προέρχεται από την τιμή του attribute του LogicalTable. Στο Οbject Μap αντί για το rml:reference της RML χρησιμοποιούμε το rr:column αφού στην R2RML μπορεί να είναι μόνο το όνομα μιας στήλης. Στον παρακάτω πίνακα φαίνονται οι κύριες διαφορές στο συντακτικό τους. Πίνακας 2: Διαφορές RML, R2RML R2RML Logical Table (relational database) RML rr:logicaltable Logical Source (CSV, XML, JSON,HTML,...) rml:logicalsource Table Name rr:tablename URI (pointing to the source) rml:source column rr:column reference rml:reference (SQL) rr:sqlquery Reference Formulation rml:referenceformulation defined iterator rml:iterator per row iteration 15

16 2.3 Αποστάσεις αλφαριθμητικών Απόσταση Levenshtein Η απόσταση Levenshtein είναι μία μετρική για την εύρεση της ομοιότητας μεταξύ δύο αλφαριθμητικών. Αυτή η απόσταση είναι ο ελάχιστος αριθμός πράξεων που χρειάζονται για να αλλάξουμε το ένα αλφαριθμητικό στο άλλο. Οι πράξεις που μπορούν να γίνουν είναι η εισαγωγή, η διαγραφή και η αντικατάσταση ενός χαρακτήρα[8]. Για παράδειγμα έστω ότι έχουμε τα αλφαριθμητικά kitten και sitting. Η απόσταση τους είναι 3 και οι πράξεις που χρειάζονται να γίνουν είναι οι: 1. kitten sitten(αντικατάσταση του s με k) 2. sitten sittin(αντικατάσταση του i με e) 3. sittin sitting(εισαγωγή του g στο τέλος) Απόσταση Damerau Levenshtein H απόσταση Damerau Levenshtein είναι μία μετρική που μοιάζει σε μεγάλο βαθμό στην απόσταση Levenshtein μόνο που εκτός από τις 3 κύριες πράξεις επιτρέπεται και η αντιμετάθεση μεταξύ 2 χαρακτήρων[9]. Για παράδειγμα έστω ότι τα αλφαριθμητικά anna και anan. Η απόσταση Levenshtein τους είναι 2 γιατί για να αλλάξουμε το anan σε anna πρέπει να αντικαταστήσουμε το 2ο a σε n και το 2ο n σε a, ενώ η απόσταση Damerau Levenshtein τους είναι 1 γιατί αρκεί να αντιμεταθέσουμε τους 2 τελευταίους χαρακτήρες. 2.4 Σύνοψη Σε αυτό το κεφάλαιο είδαμε κάποιες βασικές γνώσεις απαραίτητες για την καλύτερη κατανόηση των παρακάτω κεφαλαίων. Στο επόμενο κεφάλαιο θα παρουσιάσουμε το εργαλείο GeoTriples το οποίο χρησιμοποιείται από την εφαρμογή μας. 16

17 3. GΕOTRIPLES 3.1 H Αρχιτεκτονική του GeoTriples Το GeoTriples είναι ένα εργαλείο ανοικτού κώδικα για την μετατροπή γεοχωρικών δεδομένων από τις αρχικές τους μορφές(όπως shapefiles ή σχεσιακές βάσεις δεδομένων) σε RDF graph[10]. Παίρνει σαν είσοδο δεδομένα αποθηκευμένα σε χωρικές βάσεις δεδομένων(postgis και MonetDB), shapefiles και αρχεία XML, GML, KML, JSON, GeoJSON και CSV. Το GeoTriples στο χαμηλότερο επίπεδο χρησιμοποιεί ένα connector για καθένα τύπο εισόδου για να έχει πρόσβαση και την επεξεργασία της εισόδου. Αποτελείται από τρία βασικά στοιχεία, το mapping generator, το R2RML/RML processor και τον stsparql/geosparql evaluator[11]. Το mapping generator δέχεται ως είσοδο ένα data source και δημιουργεί αυτόματα ένα R2RML ή RML mapping ανάλογα με τον τύπο της εισόδου που το μετατρέπει σε RDF graph. Το mapping εμπλουτίζεται με subject και predicate object maps έτσι ώστε ο RDF γράφος που θα παραχθεί να συμβαδίζει με το λεξιλόγιο του GeoSPARQL. Για να γίνει αυτό επεκτείνεται η γλώσσα R2RML για να επιτρέπει την αναπαράσταση μιας συνάρτησης μετασχηματισμού πάνω στο αρχείο εισόδου. Δίνεται η δυνατότητα στον χρήστη να επεξεργαστεί το παραγώμενο mapping για να συμβαδίζει με τις απαιτήσεις του. Ο R2RML/RML processor μπορεί να χρησιμοποιήσει το R2RML/RML που παράχθηκε απο το mapping generator ή κάποιο άλλο για να παράξει το τελικό RDF στην μορφή ενός RDF συντακτικού όπως τα Turtle, RDF/XML, N3 και NT. Ο stsparql/geosparql evaluator αξιολογεί ένα stsparql/geosparql ερώτημα σε μία σχεσιακή βάση δεδομένων στην περίπτωση του R2RML mapping και ενσωματώνει το GeoTriples με το Ontop-spatial. 17

18 Εικόνα 5: Η αρχιτεκτονική του GeoTriples[12] 3.2 Λεπτομέρειες υλοποίησης To GeoTriples επεκτείνει την πλατφόρμα D2RQ, η οποία μετατρέπει σχεσιακά δεδομένα σε RDF και μπορεί να παράγει και να επεξεργασθει R2RML mappings από σχεσιακές βάσεις δεδομένων που είναι προσβάσιμες μέσω του JDBC. Επίσης για την επεξεργασία RML mappings άλλων τύπων δεδομένων επεκτεινεται ο iminds RML processor. Ακόμα για την επεξεργασία των shapefiles και των αντικειμένων σε αυτά χρηιμοποιούνται οι βιβλιοθήκες GDAL και GeoTools[13]. 3.3 Δημιουργία και επεξεργασία των RML/R2RML Mappings To GeoTripes παράγει ένα RML ή R2RML mapping που μπορεί να χρησιμοποιηθεί για την παράγωγη ενος RDF γράφου το οποίο αντιστοιχεί στο αρχείο ή στην σχεσιακή βάση στην είσοδο. Στην περίπτωση των shapefiles και των γεωχωρικών σχεσιακών βάσεων δεδομένων τα mappings που δημιουργούνται αποτελούνται από δύο triples maps. Το ένα χειρίζεται την θεματική πληροφορία και ορίζει ένα logical table που περιέχει τα περιγραφικά χαρακτηριστικά της εισόδου και ένα μοναδικό αναγνωριστικό το οποίο μπορεί να είναι είτε το πρωτεύων κλειδί του πίνακα είτε ο αριθμός στήλης κάθε πλειάδας στον dbase πίνακα του shapefile. 18

19 To άλλο χειρίζεται την γεοχωρική πληροφορία και ορίζει επίσης ένα logical table που περιέχει ένα μοναδικό αναγνωριστικό και την σειριοποίηση των γεωμετρικών πληροφοριών σύμφωνα με την μορφή WKT και όλα τα περιγραφικά χαρακτηριστικά που απαιτούνται για την παραγωγή ενός RDF γραφου συμβατό με GeoSPARQL. Για αυτόν τον λόγο στη περίπτωση των shapefiles το GeoTriples κατασκευάζει RML mappings που εφαρμόζουν GeoSPARQL/stSPARQL συναρτήσεις και στην περίπτωση της βάσης δημιουργεί SQL ερωτήματα τα οποία θα παράγουν τις απαιτούμενες πληροφορίες. Για την επεξεργασία των RML mappings και την παραγωγή του RDF γράφου το GeoTriples για κάθε Triple Map θέτει το iterator query στα δεδομένα εισόδου και με το αποτέλεσμα και τα predicate-object maps δημιουργεί τις RDF τριπλέτες. Στη συνέχεια για όλα τα δεδομένα εξάγει τις τιμές οι οποίες εμφανίζονται στο τρέχον Predicate-Object map. 3.4 Σύνοψη Σε αυτό το κεφάλαιο παρουσιάσαμε τις δυνατότητες του εργαλείου GeoTriples και είδαμε την αρχιτεκτονική του και την υλοποίηση του. Στο επόμενο κεφάλαιο θα παρουσιάσουμε την εφαρμογή μας, τις δυνατότητες της καθώς και τον τρόπο που χρησιμοποιεί το GeoTriples. 19

20 4. Η ΕΦΑΡΜΟΓΗ Σε αυτό το κεφάλαιο θα παρουσιάσουμε τα βασικά χαρακτηριστικά και τις δυνατότητες της εφαρμογής. 4.1 Η αρχιτεκτονική της εφαρμογής Η εφαρμογή που έχουμε αναπτύξει είναι ένα web application και μπορεί να χρησιμοποιηθεί με οποιοδήποτε από τους πιο δημοφιλείς φυλλομετρητές. Η αρχιτεκτονική της εφαρμογής φαίνεται σχηματικα στην Εικόνα 6. H εφαρμογή παίρνει ως εισοδο δυο αρχεια. Το ένα είναι ένα αρχείο που περιγράφει μια οντολογία RDF και το άλλο μπορεί να είναι ένα αρχείο csv, shapefile ή μια σχεσιακή βάση δεδομένων. Στη συνέχεια αναπαρίσταται το schema των δύο αρχείων ως γράφο, δηλαδή στην περίπτωση της οντολογίας οι κλάσεις και τα properties του, ενώ για την περίπτωση του csv, του shapefile και της σχεσιακής βάσης οι στήλες, τα περιγραφικά χαρακτηριστικά(attributes) και οι πίνακες με τις στήλες τους αντίστοιχα. Μετά ο χρήστης μπορεί επιλέξει να βρεθεί μία αντιστοιχίση ανάμεσα σε δύο υπογράφους, δηλαδή μία αντιστοίχηση ανάμεσα στα properties της οντολογίας και τις στήλες/χαρακτηριστικά του αρχείου εισόδου, η οποία θα έχει το ελάχιστο δυνατό συνολικό κόστος Ως συνολικό κόστος θεωρούμε το άθροισμα των αποστάσεων των αντιστοιχίσεων. Ως απόσταση μιας αντιστοίχησης θεωρούμε την απόσταση Levenshtein ανάμεσα στις δύο συμβολοσειρές property, στήλη/χαρακτηριστικό. Ο χρήστης έπειτα μπορεί να βρει την αντιστοιχίση διαφορετικών υπογράφων και να επιλέξει ορισμένες αντιστοιχίσεις. Από αυτές παράγεται η RML ή η R2RML στην περίπτωση της σχεσιακής βάσης η οποία μπορεί να επεξεργαστεί και να αποθηκευτεί σε αρχείο. Για την δημιουργία του RDF αρχείου εξοδου το web application στέλνει στο GeoTriples την RML μαζί με κάποια άλλα δεδομένα όπως το format του RDF αρχείου εξόδου, το Epsg και τα περιεχόμενα του αρχείου εισόδου ή τα credentials της βάσης. Το GeoTriples αφού πάρει τα δεδομένα παράγει το RDF εξόδου και το στέλνει πίσω όπου εμφανίζεται για αποθήκευση στον χρήστη. 20

21 Εικόνα 6: Η αρχιτεκτονική της εφαρμογής 4.2 Περιγραφή των τεχνολογιών της διεπαφής Το μεγαλύτερο τμήμα της εφαρμογής είναι υλοποιημένο σε html, css και javascript. Ο λόγος που αναπτύχθηκε ως web application είναι η ευκολία στην ανάπτυξη αλλά και η μεταφερσιμότητα από υπολογιστή σε υπολογιστή ανεξαρτήτου λειτουργικού συστήματος. Χρησιμοποιούνται κάποιες βιβλιοθηκες κυριως σε javascript για κάποιες συγκεκριμένες λειτουργίες. Συγκεκριμένα η jquery.csv χρησιμοποιείται για το σωστό διάβασμα και την φόρτωση των αρχείων csv, η mxgraph για την σχεδίαση και τις λειτουργίες των γράφων, η rdflib.js για το σωστό διάβασμα και την φόρτωση των αρχείων RDF και η ace.js για την δημιουργία του editor που εμφανίζεται η RML ή η R2RML που παράγεται. Ακόμα χρησιμοποιείται η βιβλιοθήκη javascript jquery για την ευκολότερη ανάπτυξη κωδικά και το front-end framework bootstrap για θέματα εμφάνισης της εφαρμογής όπως το grid system, τα κουμπιά, τα modal boxes και άλλα. Σε δεύτερο βαθμό χρησιμοποιείται η γλώσσα προγραμματισμού Java για την σύνδεση στη σχεσιακή βάση δεδομένων που δίνει ο χρήστης για να πάρουμε το schema της και να το εμφανίσουμε ως γράφο, για την επικοινωνία με το GeoTriples και γενικά την παράγωγη του RDF αρχείου εξόδου. Για την επικοινωνία ανάμεσα στον client και τον server της εφαρμογής δηλαδή ανάμεσα στο web browser και στο GeoTriples σε κύριο λόγο χρησιμοποιούμε servlets. Τα servlets είναι προγράμματα Java που επεκτείνουν τις δυνατότητες ενός server και 21

22 επικοινωνούν με έναν server μέσω ενός container που στη δικιά μας περίπτωση είναι ο Apache Tomcat. Συγκεκριμένα για την σύνδεση σε βάση χρησιμοποιούμε ένα servlet το οποίο δέχεται από το web application τα στοιχεία που χρειάζονται για την σύνδεση στην βάση(username, password, host, κλπ.) συνδέεται, παίρνει το schema της δηλαδή τα tables και τα columns και τα επιστρέφει πίσω για να σχεδιαστεί ο γράφος. Η επικοινωνία αυτή γίνεται με ajax calls. Για την δημιουργία του RDF αρχείου εξόδου το GeoTriples χρειάζεται κάποια δεδομένα που τα στέλνουμε όταν ο χρήστης πατήσει να δημιουργηθεί το αρχείο. Αυτά είναι το format του αρχειου(π.χ. Turtle, N3, Ntriples, RDF/XML), το Epsg, το όνομα του αρχείου και την RML/R2RML που έχει παραχθεί προηγουμένως. Επίσης για κάποιες ακόμα λειτουργίες στην περίπτωση που το αρχείο εισόδου είναι csv στέλνουμε και το περιεχόμενο του αρχείου. Αν το αρχείο εισόδου είναι shapefile το GeoTriples χρειάζεται ένα zip αρχείο με όλα τα αρχεία του shapefile(.shp,.dbf...). Σε αυτή την περίπτωση χρησιμοποιείται ένα άλλο servlet που ανεβάζει το zip που έχει επιλέξει ο χρήστης στον server. Για την περίπτωση της σχεσιακής βάσης στέλνονται και τα credentials της(username, password, host...). Και σε αυτές τις περιπτώσεις η επικοινωνία γίνεται με ajax calls. Το Ajax(asynchronous JavaScript and XML) είναι ένας τρόπος για την αποστολή και ανάκτηση δεδομένων από έναν server ασύγχρονα δηλαδή στο παρασκήνιο. Τα στοιχεία που στέλνονται και λαμβάνονται στην δικιά μας εφαρμογή έχουν την μορφή Json. 4.3 Αλγόριθμοι Αντιστοιχίσης και Πολυπλοκότητα Η πολυπλοκότητα της εκτέλεσης μπορεί να διαφέρει ανάλογα με την μέθοδο που χρησιμοποιείται για να υπολογιστεί η καλύτερη αντιστοίχιση. Στην περίπτωση που θέλουμε να βρούμε την αντιστοίχιση που ελαχιστοποιεί το συνολικό κόστος τότε ο μόνος τρόπος είναι να βρούμε την καλύτερη διάταξη. Συγκεκριμένα όταν θέλουμε να βρούμε την καλύτερη αντιστοίχιση ανάμεσα σε 1 κλάση και σε 1 πίνακα που έχουν λ properties και μ columns αντίστοιχα πρέπει αρχικά να βρούμε όλες τις αποστάσεις μεταξύ των λ properties και των μ columns. Η πολυπλοκότητα είναι λ μ Ο(ν 2 ) όπου ν: το μέγιστο μήκος του string και O(ν 2 ) η πολυπλοκότητα της εύρεσης της απόστασης Levenshtein. Μετά πρέπει να βρούμε όλες τις πιθανές διατάξεις λ ανά μ αν λ> μ ή μ ανά λ αν λ! μ! μ> λ οι οποίες είναι αν λ>μ και αν μ>λ. Η διάταξη που επιλέγεται (λ μ)! (μ λ)! είναι αυτή με το ελάχιστο συνολικό κόστος το οποίο είναι το άθροισμα όλων των αποστάσεων των δυάδων(property, column) που έχουν αντιστοιχηθεί. λ! 2 Οπότε η πολυπλοκότητα αυτής της μεθόδου είναι λ μ Ο(ν )+, λ>μ. ( λ μ)! Όμως αυτός ο τρόπος αν και βέλτιστος μπορεί να είναι αρκετά χρονοβόρος. Ένας άλλος τρόπος αν και όχι βέλτιστος είναι να βρούμε πάλι όλες τις αποστάσεις και να τις ταξινομήσουμε με βάση την απόσταση σε αύξουσα σειρά. Σε αυτό το σημειο 22

23 δημιουργούνται οι τριαδες {Property, Column, Distance}. Μετά εξάγουμε μία-μία τριάδα, και ορίζουμε αυτή ως μία αντιστοίχιση αν κανένα από τα Property, Column δεν έχουν αντιστοιχηθεί κάπου προηγουμένως. Αυτή η άπληστη μέθοδος βασίζεται στο να ορίζουμε μία αντιστοίχιση κάθε φορά της δυάδας (property, column) με το ελάχιστο κόστος την τρέχουσα στιγμή, ανεξάρτητα αν αυτό θα επηρεάσει αρνητικά το συνολικό κόστος. Αυτή η μέθοδος έχει πολυπλοκότητα λ μ Ο(ν 2 )+ λ μ log( λ μ)+ λ μ, όπου το πρώτο σκέλος του αθροίσματος αφορά τον υπολογισμό όλων των αποστάσεων, το 2ο την ταξινόμηση τους και το 3ο την σάρωση τους. Για παράδειγμα αν μια κλάση έχει properties τα haschild,hasname, hasage, hasson, και ένας πίνακας έχει columns τα Id, Name, Age, Type η άπληστη μεθοδος θα βγαλει τα αποτελέσματα: Πίνακας 3: Άπληστη Αντιστοιχίση Ontology Property Mapped to Distance hasname Name 3 hasage Age 3 hasson Id 6 haschild Type 8 με συνολικό κόστος = 20 ενώ με την βέλτιστη μέθοδο τα αποτελέσματα θα είναι: Πίνακας 4: Βέλτιστη Αντιστοιχίση Ontology Property Mapped to Distance hasname Name 3 hasage Age 3 hasson Type 6 haschild Id 7 με συνολικό κόστος = 19 23

24 Αντίστοιχος είναι και ο αλγόριθμος αν θέλουμε να βρούμε την καλύτερη αντιστοιχίση ανάμεσα σε κ κλάσεις και ι πίνακες. Με την βέλτιστη μέθοδο αρχικά βρίσκουμε όλες τις αποστάσεις μεταξύ των κλάσεων και των πινάκων. Ο αλγόριθμος που χρησιμοποιείται εσωτερικά είναι ο βέλτιστος που είδαμε πριν για μία κλάση και έναν πίνακα. Μετά πρέπει να συγκρίνουμε όλες τις διατάξεις και να βρούμε την καλύτερη. Αν κ>ι τότε όλες το πλήθος των διατάξεων που πρέπει να συγκριθούν είναι κ! (κ ι )! Η πολυπλοκότητα της βέλτιστης μεθόδου είναι: λ! κ! κ ι ( λ μ Ο(ν 2)+ )+, λ>μ, κ>ι ( λ μ)! (κ ι )! Mε την άπληστη μέθοδο βρίσκουμε αρχικά όλες τις αποστάσεις μεταξύ των κλάσεων και των πινάκων. Ο αλγόριθμος που χρησιμοποιείται εσωτερικά είναι ο άπληστος που είδαμε πριν για 1 κλάση και 1 πίνακα. Μέτα ταξινομούνται αυτές οι αποστάσεις με βάση το μέσο κόστος κάθε μιας και στο τέλος εξάγονται μια-μια και θεωρείται αυτή ως μία αντιστοιχίση αν δεν έχουν εξαχθεί ήδη αυτή η κλάση ή αυτός ο πίνακας. Η πολυπλοκότητα της απληστης μεθόδου είναι: κ ι ( λ μ Ο(ν 2)+ λ μ log( λ μ)+ λ μ)+(κ ι) log(κ ι)+ κ ι Πίνακας 5: Υπόμνημα συμβόλων λ Πλήθος properties μίας κλάσης μ Πλήθος columns ενός πίνακα ν Μέσο μήκος string κ Πλήθος κλάσεων ι Πλήθος πινάκων 4.4 Σύνοψη Σε αυτό το κεφάλαιο παρουσιάσουμε την εφαρμογή και είδαμε τις τεχνολογίες και τους αλγορίθμους που χρησιμοποιεί. Στο επόμενο κεφάλαιο παρουσιάσουμε την διεπαφή της εφαρμογής και θα δούμε ένα παράδειγμα χρήσης για csv αρχεία. 24

25 5. ΕΠΙΔΕΙΞΗ ΕΦΑΡΜΟΓΗΣ 5.1 Παρουσίαση διεπαφής Η αρχική σελίδα του web application περιέχει τρεις στήλες, τις Ontology Graph, Input File Graph και Toolbox. Στις Ontology Graph και Input File Graphs σχεδιαζονται οι γράφοι από την οντολογία και το αρχείο εισόδου αντίστοιχα ενώ η στήλη Toolbox περιέχει ότι εργαλεία χρειαστούμε όπως η φόρτωση των αρχείων(εικόνα 7). Εικόνα 7: H αρχική σελίδα της εφαρμογής Για την φόρτωση της Οντολογίας πατάμε το κουμπί Browse Ontology και επιλέγουμε το αρχείο που επιθυμούμε. Τότε θα εμφανιστεί ένας υπογράφος για κάθε μία κλάση του αρχείου όπου θα έχει ως κόμβο γονιό το όνομα της κλάσης και ως παιδιά τα properties αυτής της κλάσης. Στο RDF μία κλάση ορίζεται με το rdfs:class και με το rdfs:domain μπορούμε να ορίσουμε το πεδίο ορισμού μίας ιδιότητας(property/predicate). Για παράδειγμα αν έχουμε: rdfs:person rdf:type rdfs:class. rdfs:hasname rdfs:domain :Person. Τότε το Person είναι μία κλάση και το hasname είναι property της κλάσης Person. Για τον άλλο γράφο οι επιλογές είναι να φορτώσουμε ένα αρχείο(csv ή shapefile) ή να συνδεθούμε σε μία βάση. Και στις δύο περιπτώσεις το πρώτο βήμα είναι να πατήσουμε το κουμπί Connect to DataSource. Οι επιλογές για το τοπικό αρχείο είναι csv και shapefile (εικόνα 8). 25

26 Εικόνα 8: Φόρτωση του Αρχείου εισόδου ή σύνδεση στην βάση Στο modal παράθυρο που θα εμφανιστεί στη περίπτωση που το αρχείο εισόδου είναι csv πατάμε πατάμε το κουμπί Open file, επιλέγουμε το αρχείο και μετά πατάμε OK!. Θα εμφανιστεί ένας γράφος που ως κόμβο γονιό θα έχει το όνομα του αρχείου(π.χ. file.csv) και παιδιά τα ονόματα των στηλών όπως περιγράφονται στο αρχειο. Για το parsing των αρχείων csv χρησιμοποιειται η javascript βιβλιοθήκη jquery.csv. Για τη περίπτωση του αρχείου shapefile πατάμε πάλι Open file επιλέγουμε το αρχειο.dfb και πατάμε ΟΚ. Και πάλι θα εμφανιστεί ένας γράφος που ως κόμβο γονιό θα έχει το όνομα του αρχείου(π.χ. file.dbf) και παιδιά τα περιγραφικά χαρακτηριστικά του αρχείου. Ο λόγος που επιλέγουμε το αρχειο dbf και όχι το shp είναι ότι τα περιγραφικά χαρακτηριστικά βρίσκονται στο αρχείο dbf και έτσι είναι πιο εύκολη η εξαγωγή τους. Στην περίπτωση της σύνδεσης σε βάση συμπληρώνουμε τα inputs(username, Password, κλπ.) στην φόρμα Connect to Database για να επιλέξουμε την βάση που επιθυμούμε. Ένα παράδειγμα των στοιχείων μπορεί να είναι Username: root, Password:psw, Host:localhoct, Port:3306, Engine:mysql, Database Name: employees. Στην συνέχεια πατάμε Connect. Σε αυτή την περίπτωση θα εμφανιστούν ένας ή περισσότεροι γράφοι που ως κόμβο γονιό θα έχουν το όνομα ενός πίνακα της βάσης και παιδιά τις στήλες αυτού του πίνακα. Ως Engine μπορούμε να χρησιμποποιήσουμε mysql ή postgresql. Αφού εμφανιστούν οι δυο γράφοι μπορούμε να επεξεργαστούμε το όνομα του κάθε κόμβου κάνοντας διπλό click πάνω του(εικόνα 9). 26

27 Εικόνα 9: Εμφάνιση και των δύο γράφων Στη συνέχεια ο σκοπός του web application είναι να βρούμε την καλύτερη αντιστοίχιση ανάμεσα σε μία κλάση από τον Ontology Graph, και σε ένα πίνακα ή γενικά κάποιον γράφο απο τον Input File Graph, δηλαδή μία αντιστοίχηση ανάμεσα στου κόμβους παιδιά των δυο υπογράφων η οποία θα έχει το ελάχιστο δυνατό συνολικό κόστος. Για να το βρούμε πρέπει να κάνουμε Drag and drop την εικόνα που εμφανίζεται σε ένα κόμβο όταν το ποντίκι περνάει από πάνω του, στον άλλο κόμβο που επιθυμούμε. Δεν έχει σημασία ο αρχικός και ο τελικός κόμβος στο Drag and drop, το αποτέλεσμα που θα παραχθεί θα είναι το ίδιο σε κάθε περίπτωση. Στη συνέχεια θα εμφανιστεί ένα modal παράθυρο που περιέχει ένα πίνακα με τις στήλες Ontology Property, Mapped tο, Score, Check οι οποίες θα έχουν τις αντιστοιχίσεις που ελαχιστοποιούν το συνολικό κόστος των 2 κλάσεων που επιλέχθηκαν (εικόνα 10). Η στήλη Ontology Property περιέχει ένα property της κλάσης που επιλέχθηκε απο το Ontology Graph ενώ η Mapped to την στήλη(για csv και σχεσιακή βάση) ή το περιγραφικό χαρακτηριστικό(για shapefile) στην οποία αντιστοιχείται. Στην στήλη Score υπάρχει η απόσταση ανάμεσα στο προηγούμενο ζεύγος property-collumn/περιγραφικό χαρακτηριστικό ανάλογα με την μετρική που έχουμε επιλέξει και στην Check υπάρχει ένα κουτάκι από όπου θα επιλέξουμε αργότερα όσες από τις αντιστοιχίσεις θέλουμε να προστεθούν στην RML ή στην R2RML στην περίπτωση της σχεσιακής βάσης. Η προεπιλεγμένη μετρική είναι η απόσταση Levenshtein και η άλλη επιλογή είναι η Damerau Levenshtein. Μπορούμε να αλλάξουμε την μετρική από το κουμπί Settings στην αρχική σελίδα της εφαρμογής. Αν έχουμε βρει την αντιστοίχιση δύο γράφων και θέλουμε να προσθέσουμε αυτό δύο άλλων μπορούμε πατώντας Close να βγούμε στην αρχική σελίδα της εφαρμογής και να κάνουμε παρόμοιο Drag and drop σε όποιους άλλους υπογράφους επιθυμούμε. 27

28 Μπορούμε να δούμε τις αντιστοίχισεις που έχουμε δημιουργήσει ως τώρα πατώντας το κουμπί Show Current Mapping ενώ για να τις διαγράψουμε πατώντας το κουμπί Reset Saved Mapping. Εικόνα 10: Εμφάνιση της αντιστοίχισης δύο γράφων Αφού έχουμε δημιουργήσει τις αντιστοίχισεις μπορούμε να διαλέξουμε όποιες από τις δυάδες property - στήλη/χαρακτηριστικό θέλουμε να προσθέσουμε στην RML/R2RML από κάθε αντιστοίχηση που έχουμε βρει επιλέγοντας το κατάλληλο κουτάκι στην αντίστοιχη στήλη Check και μετά πατάμε Next. Θα εμφανιστεί ένας editor με την παραγόμενη RML/R2RML όπου μπορεί να γίνει επεξεργασία της. Σε αυτό το σημείο μπορούμε να την αποθηκεύσουμε σε αρχείο και να παραγάγουμε το αντίστοιχο της RDF αρχείο Για να τη αποθηκεύσουμε πατάμε το κουμπι Click for Settings, καταχωρούμε το όνομα του αρχείου εξόδου στο πεδίο Enter RML/R2RML output Filename: και πατάμε το κουμπί Save to file. Για να παραγάγουμε το RDF αρχείο χρειαζόμαστε το RDF format, το Epsg και το όνομα του αρχείου εξόδου για να τα στείλουμε το GeoTriples το οποίο με την σειρά του θα παραγάγει το RDF θα το επιστρέψει πίσω όπου θα εμφανιστεί ως αρχείο στον χρήστη. Αφού τα έχουμε καταχωρήσει στα αντίστοιχα πεδία από το Click for Settings πατάμε Dump to RDF(εικόνα 11). 28

29 Εικόνα 11: Εμφάνιση της παραγόμενης RML/R2RML Στην περίπτωση που το αρχείο εισόδου είναι shapefile όταν πατηθεί το κουμπί Dump to RDF θα εμφανιστεί ένα modal παράθυρο και πρέπει να επιλέξουμε ακόμα ένα zip με όλα τα απαραίτητα αρχεία για το shapefile(.shp,.dbf,.prj,.shx). Αυτό γίνεται γιατί το GeoTriples χρειάζεται όλα τα αρχεία του shapefile για να παραγάγει το αρχείο. Για να γίνει αυτό πατάμε το κουμπί Browse zip, επιλέγουμε το αρχείο και μετά πατάμε Upload(εικόνα 12). Εικόνα 12: Modal για φόρτωση αρχείου zip με το shapefile 29

30 Στη συνέχεια θα μας επιστραφεί ένα αρχείο RDF στο format που έχουμε επιλέξει με το RDF που παράχθηκε Επιλογή I'm Feeling Lucky Αντί να βρεθεί η καλύτερη αντιστοιχίση ανάμεσα σε μια κλάση και σε ένα πίνακα που έχουμε επιλέξει μία άλλη επιλογή είναι να βρούμε την συνολικά καλύτερη αντιστοιχίση μεταξύ όλων των κλάσεων και όλων των πινάκων ανάμεσα στους δυο γράφους στις στήλες Ontology Graph και Input File Graph δηλαδη αυτή που ελαχιστοποιεί το συνολικό κόστος. Το συνολικό κόστος είναι το άθροισμα όλων των αντιστοιχίσεων μεταξύ 2 κλάσεων. Για να το κάνουμε αυτό όταν έχουν δημιουργηθεί οι δύο γράφοι πατάμε το κουμπί I'm Feeling Lucky. Θα εμφανιστεί η καλύτερη αντιστοιχίση μεταξύ των κλάσεων και των πινάκων και για κάθε ένα από αυτά τη καλύτερη αντιστοιχίση των properties της ανάλογης κλάσης με τις στήλες του πίνακα που αντιστοιχήθηκε όπως ακριβώς και στην περίπτωση του drag and drop. Στην περίπτωση που στο αρχείο εισόδου έχουμε csv ή shapefile και άρα θα έχουμε μόνο έναν υπογράφο στην πλευρά του Input File Graph, με το I'm Feeling Lucky θα βρεθεί ο πιο κοντινός υπογράφος του απο τo Ontology Graph. Αν έχουμε περισσότερους από ένα και στους δυο γράφους τότε θα βρεθεί μια 1-1 αντιστοιχία μεταξύ των κλάσεων από την μια και των πινάκων από την άλλη Επομένως αν σε ένα γράφο υπάρχουν έστω λ υπογράφοι και στον άλλο μ και λ>μ τότε μόνο μ αντιστοιχίσεις θα δημιουργηθούν Πολυπλοκότητα Η εύρεση της καλύτερης αντιστοιχίσης έχει μεγάλη πολυπλοκότητα και μπορεί να είναι χρονοβόρο ειδικά στην περίπτωση που έχουμε πολλές κλάσεις και πολλούς πίνακες γιατί για να βρεθεί η βέλτιστη λύση χρειάζονται πολλές συγκρίσεις και πράξεις. Σε αυτή την περίπτωση μπορεί να χρησιμοποιηθεί ένας άλλος αλγόριθμος ο οποίος δεν είναι βέλτιστος αλλά έχει σημαντικά μικρότερη πολυπλοκότητα. Ο προεπιλεγμένος αλγόριθμος που χρησιμοποιείται είναι ο βέλτιστος. Για να τον αλλάξουμε μπορούμε στην αρχική σελίδα να πατήσουμε Settings και μετά να επιλέξουμε Greedy algorithm. 5.2 Παρουσίαση παραδείγματος Σε αυτό το κεφάλαιο θα δείξουμε ένα παράδειγμα χρήσης της εφαρμογής για αρχεία csv. Έστω ότι έχουμε ένα αρχείο RDF με περιεχόμενο: 30

31 και ένα αρχείο csv με όνομα employees.csv και περιεχόμενο: Όταν φορτώσουμε τα αρχεία οι γράφοι που θα σχεδιαστούν θα είναι όπως στην εικόνα

32 Εικόνα 13: Φόρτωση οντολογίας και αρχείου csv Αν κάνουμε drag and drop τον υπογράφο στη στήλη Input File Graph στον από το rdf Graph η αντιστοιχίση που θα παραχθεί θα είναι όπως στην Εικόνα 14. Εικόνα 14: Αντιστοίχιση κλάσης με αρχείο csv 32

33 Αν είχαμε επιλέξει τον άπληστο αλγόριθμο τα αποτελέσματα θα ήταν: Πίνακας 6: Άπληστη Αντιστοιχίση αρχείου csv Ontology Property Mapped to Score Name 3 Salary 5 Id 6 Surname 8 Παρατηρούμε ότι το αντιστοιχήθηκε στο Name που είναι πιο κοντά του από ότι το Surname αλλά αυτό αύξησε το συνολικό κόστος σε 22 από 20 του βέλτιστου αλγορίθμου. Έστω ότι επιλέγουμε να προσθέσουμε στην RML την 1η και την 3η αντιστοίχηση δηλαδή τις: ( ( Τότε επιλέγουμε τα αντίστοιχα κουτάκια check και πατάμε Next. H RML που θα παραχθεί θα είναι η παρακάτω(εικόνα 15): 33

34 Εικόνα 15: RML αρχείου csv Αν επιλέξουμε για παράδειγμα ως format του αρχείου εξοδου RDF το Turtle και πατήσουμε Dump to RDF θα μας επιστραφεί το παραγόμενο αρχείο RDF: Αν όταν έχουμε φορτώσει τα αρχεία πατούσαμε το κουμπί I m feeling Lucky, από την στιγμή που υπάρχει μόνο ένας υπογράφος στην μία στήλη ενώ στην άλλη δύο θα βρεθεί o κοντινότερος υπογράφος του μοναδικού υπογράφου στο Ιnput File Graph από τους υπογράφους του Ontology Graph. Αυτός είναι ο και η αντιστοιχίση θα είναι η παρακάτω. 34

35 Πίνακας 7: Aντιστοίχιση αρχείου csv Source Child Mapped to Score Id 6 Name 3 Surname 3 Salary Σύνοψη Σε αυτό το κεφάλαιο περιγράψαμε την διεπαφή της εφαρμογή μας, είδαμε τον τρόπο που μπορούμε να την χρησιμοποιήσουμε και παρουσιάσαμε ένα παράδειγμα χρήσης της για ένα αρχείο csv. 35

36 6. ΣΥΜΠΕΡΑΣΜΑΤΑ Η εφαρμογή που αναπτύξαμε αντιμετωπίζει το πρόβλημα της αντιστοίχισης δεδομένων με κάποια οντολογία και την μετατροπή τους σε RDF με την βοήθεια του εργαλείου GeoTriples αρκετά αποδοτικά. Μπορεί να βρει μία βέλτιστη λύση και ακόμα στην περίπτωση μεγάλου μεγέθους δεδομένων η άπληστη μέθοδος παράγει αποτελέσματα, αν και όχι βέλτιστα, αρκετά κοντά σε αυτά. Επίσης η ανάπτυξη του ως web application δίνει την δυνατότητα της εύκολης χρησιμοποίησης του από τον χρήστη. Ως προς την μελλοντική ανάπτυξη της εφάρμογης μπορεί να δοθεί βάρος στην υποστήριξη περισσότερων τύπων δεδομένων όπως XML, Json, GeoJson, GML και KML αρχείων αλλά και περισσότερων τύπων βάσεων δεδομένων. 36

37 ΣΥΝΤΜΗΣΕΙΣ ΑΡΚΤΙΚΟΛΕΞΑ ΑΚΡΩΝΥΜΙΑ RDF Resource Description Framework RML RDF Mapping language R2RML RDB to RDF Mapping Language CSV Comma-separated values W3C World Wide Web Consortium Json JavaScript Object Notation 37

38 ΑΝΑΦΟΡΕΣ [1] A. Dimou, M. Vander Sande, P. Colpaert, R. Verborgh, E. Mannens, and R. Van de Walle, : A Generic Language for Integrated Mappings of Heterogeneous Data, in Proceedings of the 7th Workshop on Linked Data on the Web, 2014, vol [2] [3] RDF Mapping Language (RML) [4] [5] [6] [7] R2RML: RDB to RDF Mapping Language W3C Recommendation 27 September 2012; [8] Levenshtein, Vladimir I. (February 1966). "Binary codes capable of correcting deletions, insertions, and reversals". Soviet Physics Doklady. 10 (8): [9] Bard, Gregory V. (2007), "Spelling-error tolerant, order-independent pass-phrases via the Damerau Levenshtein string-edit distance metric", Proceedings of the Fifth Australasian Symposium on ACSW Frontiers : 2007, Ballarat, Australia, January 30 February 2, 2007 [10] GeoTrples [11] K. Kyzirakos, I. Vlachopoulos, D. Savva, S. Manegold and M. Koubarakis, GeoTriples: A tool for publishing geospatial data as RDF graphs using R2RML mappings. CEUR Workshop Proceedings, 2014, [12] [13] K. Kyzirakos, D. Savva, I. Vlachopoulos, A. Vassileiou, M. Koubarakis and S. Manegold, GeoTriples: Transforming Geospatial Data into RDF Graphs Using R2RML and RML Mappings 38