Foundations of linked data - Cheatsheet

Definition und Bedeutung von Linked Data

Definition:

Verknüpfte Daten, wobei Daten so veröffentlicht werden, dass sie maschinenlesbar und miteinander verknüpfbar sind.

Details:

• Nutzung des RDF-Standards (Resource Description Framework)
• Jeder Datenpunkt erhält eine eindeutige URI
• Fördert die Interoperabilität und Wiederverwendbarkeit von Daten
• Unterstützt das Semantic Web
• Basiert auf vier Prinzipien von Tim Berners-Lee

Best Practices und Prinzipien von Linked Data

Definition:

Leitlinien für die Erstellung und Veröffentlichung verknüpfter Daten im Web zur Maximierung ihrer Auffindbarkeit und Nutzbarkeit.

Details:

• Nutze URI als Bezeichner für entitäten.
• Mache Daten über HTTP-URIs zugänglich.
• Stelle nützliche Informationen bereit, wenn URIs aufgelöst werden.
• Verlinke zu anderen URIs, um das Netz der Daten zu erweitern.
• Halte an RDF und SPARQL als grundlegenden Standards fest.

Grundlegende Struktur von RDF-Triplets (Subjekt, Prädikat, Objekt)

Definition:

RDF-Triplets bestehen aus Subjekt, Prädikat und Objekt, die zusammen eine Aussage in einer Wissensdatenbank repräsentieren.

Details:

• Subjekt: Das Subjekt ist die Entität, über die eine Aussage gemacht wird. Es wird durch eine URI repräsentiert.
• Prädikat: Das Prädikat definiert die Art der Beziehung oder Eigenschaft zwischen Subjekt und Objekt. Auch durch eine URI repräsentiert.
• Objekt: Das Objekt ist die Entität oder der Wert, der mit dem Subjekt verbunden ist. Kann eine URI oder ein Literal (z.B. String, Zahl) sein.
• Beispieltriplet: (, , )

Syntaxen für RDF: Turtle, RDF/XML, JSON-LD

Definition:

Syntaxen für RDF: Turtle, RDF/XML, JSON-LD

Details:

• Turtle: Textform, lesbar, schreibt Subjekte und Prädikate für mehrere Tripel einmal, Präfixe möglich
• RDF/XML: XML-basierte Syntax, maschinenlesbar, schwerer manuell zu lesen
• JSON-LD: JSON-basiert, kompatibel mit existierenden JSON-Anwendungen, lesbar, strukturiert
• Triple: \(Subjekt, Prädikat, Objekt\)
• Präfixe: Erlauben kürzere Darstellung von URIs
• Anwendungsbeispiel Turtle: \(@prefix foaf: . \)

Grundlagen und Syntax von SPARQL-Abfragen

Definition:

SPARQL (SPARQL Protocol and RDF Query Language) ist eine Abfragesprache und ein Protokoll für RDF (Resource Description Framework) Daten.

Details:

• SPARQL-Abfragen bestehen aus einer Kopfzeile und einem WHERE-Block.
• SELECT: Liste der zurückzugebenden Variablen.
• WHERE: Muster, das auf die RDF-Datenbank angewendet wird.
• FILTER: Bedingungen, die Ergebnisse einschränken oder filtern.
• Beispielabfrage: \[ \text{SELECT ?name WHERE { ?person ?name } } \]
• Bindungen: Variablen erhalten Werte aus den RDF-Triple.
• Aggregate-Funktionen: SUM, AVG, MAX, MIN, COUNT.

Modelierung von Wissen mittels Ontologien

Definition:

Methodik zur Darstellung komplexer Wissensstrukturen durch Definition von Entitäten, deren Eigenschaften und Beziehungen zueinander.

Details:

• Grundlegende Bausteine: Klassen (Konzepttypen), Instanzen (konkrete Objekte), Eigenschaften (Attribute und Beziehungen)
• Nutzen: Ermöglichung von Datenintegration, Interoperabilität und semantischer Datenverknüpfung
• Sprachen und Standards: RDF, OWL, SPARQL
• Wichtige Konzepte: Taxonomien, Klassenhierarchien, Regelwerke und Beschränkungen
• Anwendungsbereiche: Wissensmanagement, Semantic Web, natürliche Sprachverarbeitung (NLP)

Tools und Plattformen zur Ontologieentwicklung: Protege und OWL

Definition:

Werkzeuge und Plattformen zur Erstellung und Verwaltung von Ontologien innerhalb des Kontexts verknüpfter Daten.

Details:

• Protege: Open-Source-Ontologie-Editor, unterstützt Entwicklung, Visualisierung und Verwaltung von Ontologien.
• Ermöglicht Arbeiten mit RDF, RDFS und OWL.
• Beinhaltet Plug-Ins für Erweiterbarkeit.
• OWL (Web Ontology Language): Standard für die Erstellung von Ontologien im Web.
• Basierend auf RDF (Resource Description Framework).
• 3 Varianten: OWL Lite, OWL DL, OWL Full, jeweils unterschiedliche Komplexität und Ausdruckskraft.
• Nutzung zur Formulierung komplexer Klassen- und Attributrelationen.

Leistungsoptimierung und Skalierbarkeit von SPARQL-Abfragen

Definition:

Techniken und Strategien zur Verbesserung der Geschwindigkeit und Effizienz von SPARQL-Abfragen sowie deren Fähigkeit, mit wachsender Datenmenge umzugehen.

Details:

• Verwende Indizes, um den Zugriff auf Daten zu beschleunigen.
• Nutze Query Rewriting und Optimierungen wie Join-Optimierungen und Filterpushdowns.
• Setze Caching-Techniken ein, um häufige Abfragen schneller zu beantworten.
• Skalierungsstrategien: Verteile Daten horizontal (Sharding) und nutze parallele Verarbeitung.
• Vermeide unnötige Muster und Einschränkungen in Abfragen.
• Überwache und analysiere Abfrageperformanz mit Monitoring-Tools.
• Nutze spezialisierte SPARQL-Endpunkte und Triple Stores für bessere Leistung.