文本中实体引用的 rdf 表示

Question

考虑这样的句子：

约翰·史密斯前往华盛顿。

姓名标注员会在天气好的时候将“John Smith”识别为一个人，将“Washington”识别为一个地方。但是，如果没有其他证据，它无法判断世界上所有可能的“约翰·史密斯”中的哪一个，甚至是各种“华盛顿”中的哪一个。

最终，某些解决过程可能会根据其他证据做出决定。然而，在此之前，在 RDF 中表示这些引用的良好做法是什么？在某个命名空间中为它们分配组成的唯一标识符？制作空白元组（例如，“文档 d 中引用了某个名叫 John Smith 的人”。）？其他的选择？我的一本书给出了一个涉及匿名气象站的例子，但我并没有完全理解他们的例子如何与所描述的 RDF 的所有其他内容相匹配。

Answer 1

在您自己的命名空间中为它们分配唯一标识符。如果您后来发现这个“Washington”与http://dbpedia.org/resource/Washington,_D.C. 或其他任何内容相同，您可以添加 owl:sameAs 来断言。

Answer 2

首先，您可以使用现有的良好服务进行实体识别，例如OpenCalais、Zemanta和Alchemy。

更具体地说，是的，只需为每件事“铸造”你自己的 URI（标识符），然后谈论它们 - 以在 turtle 中提供此信息的表示

@prefix : <http://yourdomain.com/data/> .
@prefix myont: <http://yourdomain.com/ontology/> .
@prefix dcterms: <http://purl.org/dc/terms/> .
@prefix dbpedia-owl: <http://dbpedia.org/ontology/Place>.
@prefix foaf: <http://xmlns.com/foaf/0.1/> .
@prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> .
@prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#> .

:John_Smith#d rdf:type foaf:Person ;
  foaf:name "John Smith"@en .

:Washington#d rdf:type dbpedia-owl:Place ;
  rdfs:label "Washington"@en .

:John_Smith#d myont:travelled_to :Washington#d .

<http://yourdomain.com/some-doc#this> rdf:type foaf:Document ;
  dcterms:references :John_Smith#d, :Washington#d .

如果您稍后将它们匹配，那么您可以使用 owl:sameAs，就像 glenn mcdonald 提到的那样。

Answer 3

可能与您阅读 Apache Stanbol 的工作方式相关：http://stanbol.apache.org/docs/trunk/components/enhancer/enhancementstructure.html

Answer 4

您可以按照上面讨论的方式创建自己的 URI，也可以使用空白节点。这两种方法各有利弊：

URI 具有外部标识，因此您可以在以后的查询中明确引用您的概念，这可以使某些查询更加简单；但是，你他们有一个外部身份，所以你用来构造 URI 的算法成为你的基础设施的关键部分，你必须保证它们既稳定又独特。起初这可能是微不足道的，但是当您开始处理在不同时间重新处理的多个文档时，通常是并行的，并且在分布式系统上，它很快就不再是直截了当的。

空白节点被专门用来解决这个问题，它们的唯一性由它们的作用域来保证；但是，如果您需要在查询中明确引用空白节点，您将需要使用非标准扩展，或者找到某种方式来表征节点。

在这两种情况下，尤其是如果您使用空白节点，则无论如何都应该包含出处声明来表征它。

@nathan 的示例是一个很好的例子。

所以一个使用空白节点的例子可能是：

@prefix my: 。 @prefix proc： 。 @prefix prg: 。 @prefix rdf: 。 @prefix rdfs: 。 @prefix xsd: 。 @prefix dcterms: 。 @prefix foaf： 。 @前缀文档： 。 _:1 rdf:type proc:ProcessRun ; proc:parser prg:tagger ; 过程：版本“1.0.2”； proc:time "2010-07-03 20:35:45"^^ ; proc:host prg:hostname-of-processing-node ; proc:file doc:some-doc#line=1,;md5=md5_sum_goes_here,mime-charset_goes_here ; _:2 rdf:type foaf:Person ; foaf:name "John Smith"@en ; proc:identifiedBy _:1 ; proc:atLocation doc:some-doc#char=0,9 。 _:3 rdf:type owl:Thing ; foaf:name "华盛顿"@en ; proc:identifiedBy _:1 ; proc:atLocation doc:some-doc#char=24,33 。 rdf:type foaf:Document ; dcterms:references _:2, _:3 。

请注意使用 rfc5147 文本/纯片段标识符来唯一标识正在处理的文件，这为您提供了关于如何标识单个运行的灵活性。另一种方法是在文档根的 URI 中捕获所有这些内容，或者完全放弃出处。

@prefix : 。 @prefix proc： 。 @prefix prg: 。 @prefix rdf: 。 @prefix rdfs: 。 @prefix xsd: 。 @prefix dcterms: 。 @prefix foaf： 。 @prefix 文档： 。 :1 rdf:type proc:ProcessRun ; proc:parser prg:tagger ; 过程：版本“1.0.2”； proc:time "2010-07-03 20:35:45"^^ ; proc:host prg:hostname-of-processing-node ; proc:file doc:some-doc#line=1,;md5=md5_sum_goes_here,mime-charset_goes_here ; :2 rdf:type foaf:Person ; foaf:name "John Smith"@en ; proc:identifiedBy :1 ; proc:atLocation doc:some-doc#char=0,9 。 :3 rdf:type owl:Thing ; foaf:name "华盛顿"@en ; proc:identifiedBy :1 ; proc:atLocation doc:some-doc#char=24,33 。 rdf:type foaf:Document ; dcterms:references :2, :3 。

你会注意到 foaf:name 有一个 owl:Thing 的范围，所以它可以应用于任何东西。另一种可能是使用 skos:Concept 和 rdfs:label 作为专有名词。

对于空白节点与 URI 的最后一个考虑因素是，您使用的任何数据存储最终都必须存储您使用的任何 URI，如果您使用非常大的数据集，这可能会影响性能。

如果我最终要在图表中发布出处信息以及最终的统一实体，我会倾向于使用空白节点并将 URI 分配给我最终统一实体的概念。

但是，如果我不打算跟踪推论的出处，而这只是管道中许多最终将丢弃中间结果的传递，我只会使用某种文档哈希、时间戳来创建 URI , 和 id 并完成它。

@前缀： 。 @prefix my: 。 @prefix rdf: 。 @prefix dcterms: 。 @prefix foaf： 。 :filename_timestamp_1 rdf:type foaf:Person ; foaf:name "John Smith"@en 。 :filename_timestamp_2 rdf:type owl:Thing ; foaf:name "华盛顿"@en 。 rdf:type foaf:Document ; dcterms:references :2, :3 。