MiSCi Ciudades inteligentes

UNA REVISIÓN DE LA LITERATURA SOBRE DATOS ENLAZADOS
(A REVIEW OF THE LITERATURE ABOUT LINKED DATA)
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Recibido: 01/10/2018
Aprobado: 12/12/2018
Ricardo Jose Dos Santos Guillén
Tepuy R+D Group, Artificial Intelligence Software Development
Mérida, Venezuela
Centro de Estudios en Microelectrónica y Sistemas Distribuidos (CEMISID)
Universidad de Los Andes, Mérida, Venezuela
[email protected]
José Lisandro Aguilar Castro
Tepuy R+D Group, Artificial Intelligence Software Development
Mérida, Venezuela
Centro de Estudios en Microelectrónica y Sistemas Distribuidos (CEMISID)
Universidad de Los Andes, Mérida, Venezuela
[email protected], [email protected]
Taniana Josefina Rodríguez de Paredes
Tepuy R+D Group, Artificial Intelligence Software Development
Mérida, Venezuela
Centro de Estudios en Microelectrónica y Sistemas Distribuidos (CEMISID)
Universidad de Los Andes, Mérida, Venezuela
[email protected]
RESUMEN
En este artículo, se presenta una revisión del estado de arte sobre los Datos Enlazados en
las siguientes dimensiones: trabajos que usen los datos enlazados para la recomendación
de información basada en lógica descriptiva/dialéctica, trabajos que aprovechen las fuentes
de datos enlazados para la generación de modelos de Aprendizaje Automático, trabajos
sobre la generación de datos artificiales con información proveniente de fuentes de datos
enlazados, y por último, trabajos sobre el aprendizaje de ontología explotando el
conocimiento almacenados en los datos enlazados. Cada una de estas dimensiones
representa retos de investigación en el ámbito de los datos enlazados.
Palabras claves: Datos Enlazados, lógica dialéctica, aprendizaje
recomendador de información, aprendizaje automático, generación de datos.
ontológico,
ABSTRACT
This article presents a review of the state of the art of Linked Data in the following
dimensions: works that use the linked data for the recommendation of information based on
descriptive/dialectical logic, works that take advantage of the linked data sources for the
54
generation of Machine Learning models, works about the generation of artificial data with
information coming from linked data sources, and finally, works about ontological learning
exploiting the knowledge stored in the linked data. These dimensions represents research
challenges in the field of linked data.
Keywords: Linked Data, dialectic logic, ontology learning, information recommender,
machine learning, data generation
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
INTRODUCCIÓN
En la Web Semántica, se busca describir el contenido de los sitios web por medio de
ontologías y metadatos semánticos, de tal manera que tanto las personas como las
máquinas, puedan buscar y descubrir la información en ellos en un lenguaje más cercano
al natural, aprovechando el gran potencial del conocimiento contenido en los mismos, como
en las relaciones (enlaces) existente entre ellos [1],[2]. Un paradigma que coadyuva a ese
objetivo son los Datos Enlazados (DE).
Los datos enlazados o vinculados (en inglés, Linked Data) definen una forma de
publicar datos en la Web para que se puedan interconectar entre ellos, permitiendo
identificar, describir, conectar y relacionar los distintos elementos o conceptos en la Web
[3],[5]. Los vocabularios y las ontologías son pilares muy importantes para el enlazado de
datos, ya que ellos permiten identificar y describir los recursos y sus contextos
operacionales.
En este trabajo, se presentan dos aspectos. En primera instancia, se realiza una
revisión del estado de arte sobre los datos enlazados basado en las siguientes
dimensiones: trabajos sobre datos enlazados para la recomendación de información
basada en lógica descriptiva/dialéctica, trabajos que usen las fuentes de datos enlazados
para la generación de modelos de Aprendizaje Automático, trabajos sobre la generación de
datos con información proveniente de fuentes de datos enlazados, y finalmente, trabajos
sobre el aprendizaje de ontología basado en los datos enlazados. Esas dimensiones fueron
seleccionadas, porque cada una de ellas representa retos de investigación en el ámbito de
los datos enlazados. En segunda instancia, se presenta una discusión y propuestas de
futuros trabajos sobre datos enlazados basados en esas dimensiones.
MARCO TEÓRICO
Metodología para Realizar el Estado de Arte
La metodología usada para llevar a cabo esta investigación es la Methodology for
Systematic Literature Review applied to Engineering and Education [6], que divide el
proceso en cuatro fases: a) identificación de la necesidad de revisión; b) desarrollo de un
protocolo de revisión; c) realización de la revisión; d) informe de la revisión.
En la primera fase, se establece el estado inicial de conocimiento de las áreas o
dimensiones de interés de la investigación, indicando la justificación, importancia e interés
en dichas dimensiones. Asimismo, se explican los términos y conceptos relevantes
55
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
asociados a cada dimensión. Además, se especifican las preguntas que orientan la
investigación, así como las estrategias de búsquedas y organización de los documentos.
En la segunda fase, se definen los criterios de inclusión o exclusión de los trabajos. En
esta fase también se especifican una serie de preguntas para evaluar la relevancia, además
determinar la calidad de los documentos encontrados.
Seguidamente, en la tercera fase se procede a ejecutar las búsquedas en las fuentes
de datos académicas, seleccionando y guardando los documentos que cumplan los criterios
de inclusión y exclusión descritos en la fase anterior. Después, se hace una revisión
exhaustiva de cada documento, para determinar si están realmente enfocados en las
dimensiones. Los trabajos que no cumplan con las características esperadas son
descartados, y con el resto se procede a desarrollar un resumen detallado de cada trabajo,
mostrando sus aportes en cada dimensión.
Finalmente, en la última fase se presentan los resultados del estudio, realizando un
análisis general para cada dimensión con los resultados encontrados, complementado con
sugerencias de aplicación y áreas de investigación.
PRIMERA FASE
Temas de Investigación Alrededor de los Datos Enlazados
Los datos enlazados ofrecen un abanico gigantesco de potencialidades, entre las que
se destaca el uso de estándares, tal como el protocolo HTTP (Hypertext Transfer Protocol),
que permite obtener información sin APIs (Application Programming Interface)
especializadas. Además, la variedad y cantidad de información que pone a disposición los
datos enlazados, a través de la interconexión semánticamente de los mismos, permite
razonar para extraer conocimiento.
Las dimensiones que se buscan abarcar en este trabajo, son algunas de las áreas que
pueden explotar el uso de los datos enlazados. En [7] se describen las áreas de
investigación alrededor de los datos enlazados, haciendo énfasis en las siguientes:
Recomendación de Información basada en lógica descriptiva/dialéctica, Generación de
modelos de Aprendizaje Automático, Generación de datos artificiales y Aprendizaje
Ontológico. Esas cuatro áreas están en boga como temas de investigación en la actualidad,
siendo interesante determinar los aportes de los datos enlazados en dichas áreas.
Recomendación de Información
Un recomendador de información permite construir un modelo de conocimiento con la
capacidad de prever y predecir las preferencias de los usuarios. Su objetivo principal es
sugerir o recomendar información o recursos (películas, música, páginas web, noticias,
etc.), basado en el conocimiento obtenido de las experiencias de otras personas y/o las
preferencias propias [4],[8]. Una parte fundamental en los recomendadores es el perfil del
usuario (gustos y preferencias), con la información específica de un usuario. Para la
construcción de dichos perfiles se deben recopilar los datos, que pueden ser explícitos
56
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
(obtenido directamente del usuario) o implícitos (obtenidos por sus historiales de
búsquedas, ubicación del equipo, entre otros) [4],[8]. Los recomendadores hacen uso de
mecanismos de inferencia, que buscan acercarse a las capacidades del razonamiento
humano. Clásicamente, estos mecanismos se basan en la lógica descriptiva, pero existen
otros tipos, tal como los basados en lógica temporal o dialéctica, que poseen la capacidad
de resolver situaciones con información inconsistente. En especial, la lógica dialéctica
permite manejar situaciones de contradicción o ambigüedad, y en particular, contextos
donde la presuposición falla, existen contingencias sobre el futuro basado en que algo fue
verdad y falso en el pasado, y/o discursos ficticios que generan supuestos [9]. En el caso
de la recomendación de información basada en lógica descriptiva/dialéctica, los datos
enlazados tienen intrínseco un mecanismo de razonamiento que permite identificar el
contexto, resolver las ambigüedades, entre otras. Además, los datos enlazados, a través
de sus mecanismos de interconexión, permiten ofrecer información adicional.
Generación de Modelos de Aprendizaje Automático
En la generación de modelos de aprendizaje basado en el Aprendizaje Automático, los
datos enlazados son una fuente de datos con conocimiento importante, ya que permiten
tener un gran conjunto de datos para entrenar y probar los modelos de conocimientos.
Además, las relaciones semánticas de los datos ofrecen nuevas variables/descriptores,
que, eventualmente, pueden encontrar mejores modelos de aprendizaje para analizar,
predecir, entre otras cosas. Es decir, los datos enlazados coadyuvan al desarrollo del
aprendizaje automático, al profundizar el estudio sistemático de algoritmos y sistemas que
mejoran su conocimiento o rendimiento con las experiencias [10], y al posibilitar extraer
características/descriptores resaltantes de un problema desde los datos vinculados, con la
finalidad de construir modelos de conocimientos más robustos para clasificar, agrupar, entre
otras.
Generación de Datos Artificiales
La generación de datos artificiales es una parte fundamental para el entrenamiento,
testeo y/o validación de cualquier sistema o algoritmo [11]. La fusión de los datos enlazados
con la generación de datos artificiales, permite obtener características más reales sobre el
contexto (por ejemplo, las propiedades de un concepto, los rangos de una variable, entre
otros). Además, los datos enlazados permiten agregar descripciones adicionales (métodos
de generación, fuentes usadas como referencia, etc.) a los datos artificiales generados.
Aprendizaje Ontológico
En el aprendizaje ontológico, los datos enlazados son una fuente rica en información,
que permite enriquecer las ontologías, al poblarlas con instancias, tanto de conceptos como
de relaciones, creando vocabularios y/o conocimiento en un área específica (por ejemplo:
medicina, deporte, comercio, etc.), es decir, permite la construcción de ontologías [12].
57
Especificación del Proceso de Investigación
En esta sección, se especifican las actividades realizadas para la revisión sistemática
de la literatura.
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Preguntas de investigación
A continuación se presentan las preguntas en las cuatro áreas de interés de la
investigación objeto de este artículo: 1) ¿Cómo se usan los Datos Enlazados para mejorar
los Recomendadores de Información? 2) ¿Cuáles son las estrategias a considerar para
generar modelos de Aprendizaje Automático con los Datos Enlazados? 3) ¿Cómo usar los
Datos Enlazados para generar Datos Artificiales o Sintéticos? 4) ¿Cómo se usan los Datos
Enlazados para el Aprendizaje Ontológico?
Estrategias de búsquedas
En la primera parte de la estrategia de búsqueda, se establecen los términos o palabras
claves para las búsquedas asociadas a la investigación. Dichos términos o palabras se
resumen en las Tablas 1 y 2.
Tabla 1. Expresiones relacionadas con Datos Enlazados, Recomendadores de
Información y Aprendizaje Automático
Datos Enlazados
A1: Datos Enlazados
A2: Datos Vinculados
A3: Linked Data
A4: Linked Open Data
Recomendadores de Información
B1: Recomendadores de Información
B2: Sistemas Recomendadores
B3: Information Recommenders
B4: Recommender Systems
Aprendizaje Automático
C1: Aprendizaje Automático
C2: Aprendizaje Automatizado
C3: Aprendizaje de Máquinas
C4: Machine Learning
En la segunda parte, se generan las consultas booleanas para la revisión sistemática
de la literatura, combinando los anteriores términos. A continuación, algunos ejemplos: 1)
(A1 or A2 or A3 or A4) and (B1 or B2); 2) (A3 or A4) and (B3 or B4); 3) (A1 or A2 or A3 or
A4) and (C1 or C2 or C3); 4) (A3 or A4) and (C4); 5) (A1 or A2 or A3 or A4) and (D1 or D2
or D3 or D4 or D5); 6) (A3 or A4) and (D6 or D7 or D8 or D9 or D10); 7) (A1 or A2 or A3 or
A4) and (E1 or E2); 8) (A3 or A4) and (E3 or E4).
En la última parte, se determinan las posibles fuentes de consulta y cómo organizar los
documentos encontrados. En particular, se usan las bases de datos académicas
IEEEXplore, Scopus y Google Académico (Google Scholar), y se guardan los documentos
(asociando el año y título) en directorios según las dimensiones de la investigación.
58
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Tabla 2. Expresiones relacionadas con Datos Artificiales y Aprendizaje Ontológico
Datos Artificiales
D1: Datos Artificiales
D2: Datos Sintéticos
D3: Generador de Datos Artificiales
D4: Generador de Datos Sintéticos
D5: Generador de Datos
D6: Data Generation
D7: Artificial Data
D8: Synthetic Data
D9: Artificial Data Generation
D10: Synthetic Data Generation
Aprendizaje Ontológico
E1: Aprendizaje Ontológico
E2: Enriquecimiento Ontológico
E3: Ontology Learning
E4: Ontology Enrichment
SEGUNDA FASE
Selección de Trabajos y Criterios de Inclusión y Exclusión
En la Tabla 3, se presentan los criterios de inclusión y exclusión.
Tabla 3. Expresiones relacionadas con Datos Artificiales y Aprendizaje Ontológico
 Artículos científicos, reportes técnicos, patentes, revistas
especializadas, memorias de conferencias y simposios, y
tesis.
Criterio de Inclusión  Publicaciones en español e inglés.
 Publicaciones del año 2011 en adelante.
 Publicaciones que contengan el concepto de datos
enlazados con al menos una de las dimensiones en estudio.
 Publicaciones que sólo contengan el concepto de datos
enlazados.
Criterio de Exclusión  Publicaciones antes del año 2011.
 Publicaciones no digitales.
 Publicaciones no disponibles para su revisión completa.
Evaluación de la Calidad
En esta sección, se presenta un conjunto de preguntas según cada dimensión, que
permitirá evaluar la calidad de las publicaciones encontradas en la sección anterior.
Recomendación de información
1. ¿El documento describe cómo se explotan los datos enlazados para mejorar los
algoritmos de recomendación?
2. ¿El documento describe cómo se aprovechan los datos enlazados en los distintos
mecanismos de razonamientos lógicos?
59
Generación de modelos de aprendizaje automático
1. ¿El documento describe cómo enriquecer información para los modelos de Aprendizaje
Automático con los Datos Enlazados?
2. ¿El documento describe cómo representar la información con Datos Enlazado para su
uso en los modelos de Aprendizaje Automático?
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Generación de datos artificiales
1. ¿El documento describe cómo explotar los Datos Enlazados para crear los modelos de
generación de Datos Artificiales?
2. ¿El documento describe cómo generar/enriquecer Datos Artificiales con los Datos
Enlazados?
Aprendizaje ontológico
1. ¿El documento describe cómo enriquecer las Ontologías con Datos Enlazados?
2. ¿El documento describe cómo determinar el contexto de extracción de información de
los Datos Enlazados, es decir, usa ontologías propias o las crea?
TERCERA FASE
Resultados de Búsqueda
La Figura 1, muestra el proceso de selección que permitió obtener los trabajos
pertinentes a las necesidades de la investigación, que son detallados en la siguiente
sección.
Figura 1. Proceso de selección
60
Estado del Arte
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Recomendación de información
En [13] se estudian dos enfoques para extraer datos usando LOD (Linked Open Data).
El primer enfoque extrae las distintas propiedades o característica de un texto ya
identificado o relacionado con una URI (Uniform Resource Identifier), que es el estándar
que usa los datos enlazados para identificar entidades del mundo real). Estas URIs
permiten extraer directamente de DBpedia un conjunto de propiedades de cada ítem. El
segundo enfoque usa un algoritmo para identificar los distintos conceptos que existan en
las descripciones de los elementos obtenidos a través de sus propiedades o características.
En este trabajo, se usa un algoritmo de desambiguación para relacionar las URIs a textos,
que permite relacionar, clasificar o agrupar textos cortos, tal que los conceptos más
relevantes en las URIs son mapeados a artículos de Wikipedia. Toda la información
recogida por los distintos enfoques, permiten conocer el contexto de los elementos a
recomendar, lo que mejora la precisión de los diferentes algoritmos de recomendación para
extraer los N elementos más recomendables. Algunos de los algoritmos de recomendación
estudiados son los basados en: a) Espacio vectorial: las recomendaciones se calculan
aplicando una medida de similitud vectorial de la base de conocimiento con respecto a las
preferencias y palabras buscadas; b) Clasificadores: las recomendaciones son vistas como
una tarea de clasificación binaria, en la cual cada ítem tiene que ser clasificado como
interesante o no con respecto a las preferencias del usuario; y c) Grafos: las
recomendaciones son calculadas con el algoritmo PageRank, que obtiene un grafo con
pesos, donde los nodos representan los usuarios, propiedades y entidades, y los enlaces
son las relaciones entre los nodos.
En [14], los autores presentan un sistema de recomendación basado en contenidos,
que aprovecha el conocimiento codificado en los conjuntos de datos semánticos de LOD y
un núcleo de grafos basado en vecindad. El conjunto de datos usado proviene de
MovieLens (un recomendador de películas), dónde cada ítem está mapeado con sus
respectivas URIs en DBpedia. Los grafos del núcleo son construidos tomando cada película
como inicio del grafo, las propiedades de ellos corresponden a los otros nodos, y la cantidad
de saltos o distancia es cuanto se requiere para llegar a esa propiedad desde los datos
enlazados. Eso constituye cada grafo de vecindad, como los mostrados en la Figura 2 [14].
Por último, para calcular el peso de las películas a recomendar, se realiza una sumatoria
de las propiedades que se consigan en el grafo de vecindad, multiplicado por un factor de
decaimiento según la distancia de su ubicación en el grafo. Estos cálculos darían como
resultado una lista de películas a recomendar a un usuario, basada en sus preferencias.
Otro trabajo es [15], donde se propone un sistema de recomendación colaborativo de
música, que utiliza Datos Enlazados para facilitar la adquisición de datos desde diversas
fuentes, para mejorar la experiencia de los usuarios. El sistema recomendador colaborativo
usa información proveniente de distintas fuentes (Wikipedia, MySpace, DBTune) con Datos
Enlazados. Para la integración de las fuentes usan los vocabularios Friend of a Friend
(FoaF), Music Ontology (mo), entre otros. En general, se transforma la información en una
61
matriz que representa el conocimiento obtenido, para finalmente aplicar algoritmos de
filtrados sobre la matriz, para calcular la similitud entre los usuarios y el conocimiento
adquirido, para determinar la información a recomendar.
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Figura 2. Grafos de vecindad con dos saltos (i y j representan las películas y las e son las
propiedades)
De la misma manera, en [16] se presenta un sistema recomendador denominado QALD
(Question Answering over Linked Data), que traduce preguntas planteadas en Lenguaje
Natural a consulta SPARQL. Para ello, combina la Lógica de Primer Orden con información
proveniente de fuentes de datos enlazados como DBpedia y YAGO (Yet Another Great
Ontology). Este sistema aborda el problema de la siguiente manera: a) Detección de frases:
donde se detectan las posibles frases o secuencias de tokens; esto se logra generando
todos los n-gramas como candidatos a frases. Luego, se filtran las frases a través de
distintas reglas (por ejemplo, se aceptan las frases con secuencias de palabras
capitalizadas, se rechazan las frases mayores a cuatro palabras, entre otras); b) Mapeo de
frases: se buscan los elementos semánticos (entidad, clase y relación) que correspondan
con las frases candidatas, y por cada elemento se usan distintas técnicas. Para mapear
frases a entidades, se consideran las entidades consistentes con DBpedia y Wikipedia.
Para asignar frases a clases, se consideren que las clases tienen variación léxica,
especialmente sinónimos, por lo que se usa la herramienta word2vec, que calcula la
similitud entre la frase y la clase, retornando las primeras N clases más similares para cada
frase. Para mapear frases a relaciones, se alinean las instancias entre las relaciones
ontológicas en DBpedia y los patrones de relación que ofrece PATTY y ReVerb, y si una
frase detectada se ajusta a algún patrón de relación, las relaciones ontológicas
correspondientes en DBpedia serán devueltas como candidatas; c) Extracción de
características e inferencia conjunta: este paso se centra en abordar los problemas de
ambigüedades y de seleccionar los mejores mapeos obtenidos en los dos pasos anteriores,
y para ello, se usa MLN (Markov Logic Network). MLN es una lógica probabilística que
aplica las ideas de una red de Markov a la lógica de primer orden, lo que permite una
inferencia incierta. En estos primeros tres pasos se descompone y se enriquece la pregunta
de entrada planteada al sistema; d) Construcción del grafo de consulta de los elementos
semánticos: sus vértices contienen las frases detectadas, los elementos semánticos
62
mapeados y sus tipos, y los arcos indican la relación de coincidencia del argumento entre
dos vértices. Finalmente, e) Generación de consultas: permite generar tres tipos de
consultas en SPARQL, las cuales son, ASK WHERE, para respuestas Si/No, SELECT
COUNT, para respuestas numéricas, y SELECT para una lista de coincidencias.
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Generación de modelos con aprendizaje automático
En [17] se estudian las características de un grafo de conocimiento que permita
expresar el conocimiento heterogéneo de forma natural, que pueda ser usado como entrada
para los distintos mecanismos de aprendizaje automático. El grafo de conocimiento
especificado en este trabajo se basa en tres principios básicos de la Web Semántica: a)
Codificar el conocimiento usando sentencias: cada sentencia consiste en una sola
propiedad binaria (el verbo) que relaciona dos recursos (el sujeto y el objeto) en un orden
de izquierda a derecha. Juntos, los tres conforman una tripleta. Por ejemplo: Kate conoce
Mary. b) Expresar conocimientos previos en ontologías: las ontologías contienen clases
(tipos de entidades) y propiedades que describen un dominio, así como restricciones e
inferencias sobre estas clases y propiedades. Por ejemplo, Kate tipo Persona. c) Reutilizar
el conocimiento entre conjuntos de datos: la reutilización del conocimiento se especifica al
referirse a los recursos no por su nombre, sino por un identificador único. Por ejemplo, se
puede usar los identificadores vu:KateBishop y vu:MaryWatson para referirse a Kate y Mary,
y foaf:knows para indicar la relación, quedando la tripleta así: vu:KateBishop foaf:knows
vu:MaryWatson.
Por su parte, para diseñar modelos de aprendizaje automático capaces de aprender
con estos grafos de conocimiento, detallan dos enfoques diferentes: a) los que extraen
vectores de características del grafo: este enfoque, en lugar de aprender directamente
desde el grafo, traduce el grafo a una estructura que se adapte a los métodos disponibles
para el aprendizaje automático. b) los que crean una representación interna en el propio
grafo: este enfoque busca consumir los datos directamente desde el grafo, a través de
representaciones internas. Por ejemplo, la opción Grafos de Redes Neuronales
Convolucionales utiliza la estructura del grafo de los datos como información para la
topología de la red neuronal.
Por otro lado, en [18] los autores proponen un sistema para obtener las características
y sentimientos de las reseñas de productos usando Datos Enlazados, y un esquema de
clasificación de reseñas usando aprendizaje automático supervisado. Para ello, se usa un
conjunto de técnicas de minería de texto, en las que se procesa el lenguaje natural para
identificar nombres, sustantivos, características del contexto (usando los adjetivos y
adverbios), entre otros. Luego, por medio de un análisis de sentimiento, se determina si la
reseña es positiva, negativa o neutra, para finalmente enriquecer todo lo encontrado con
Datos Enlazados, usando el vocabulario de la ontología MARL, que es un esquema de
datos estandarizado diseñado para anotar y describir opiniones subjetivas expresadas en
la Web o en Sistemas de Información. De esa manera, asocian el producto con la
información en la Web, para determinar las "Características/Sentimientos" de los productos
63
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
basadas en el contexto de las opiniones. Además, esas opiniones sirven como datos de
entrenamiento, para crear a través de un esquema de Aprendizaje Supervisado, un modelo
para clasificar las reseñas, y al mismo tiempo, con estas clasificaciones, ayudar a los
clientes a tomar decisiones informadas sobre la compra de un producto.
Del mismo modo, en [19],[20] se detalla el framework DL-Learner, que implementa
varios algoritmos de Aprendizaje Supervisado que usan los datos enlazados como entrada,
y devuelve, en la mayoría de los casos, un clasificador. La información que va a ser usada
por el framework se especifica en un archivo de configuración, donde se indican las distintas
fuentes que va a recibir, tales como OWL (Web Ontology Language) File, SPARQL
endpoint, etc.), y cómo va a ser tratada cada fuente. Por otro lado, se describe el problema
de aprendizaje, y se especifica el algoritmo que se desea utilizar para resolverlo, como, por
ejemplo, OWL Class Expression Learner (OCEL), EL Tree Learner (ELTL), entre muchos.
El objetivo de DL-Learner es proporcionar un framework con componentes reutilizables para
resolver distintos problemas, usando una variedad de fuentes de conocimiento, que juntas
forman el conocimiento de base para una tarea dada. Dentro de ese conocimiento, se
puedan seleccionar casos positivos y negativos, para ser procesados por un algoritmo de
Aprendizaje para generar un clasificador, legible por el ser humano, expresado en una
representación lógica, ya sea como un modelo lógico descriptivo o como una consulta
SPARQL. Ese resultado tiene dos propósitos. En primer lugar, utilizarse para clasificar
recursos, y en segundo lugar, gracias a su representación lógica, determinar los conceptos
más relevantes del modelo para distinguir los casos positivos de los negativos.
Otro trabajo es RDF2Vec [21], que presenta un enfoque para el aprendizaje de
entidades desde los grafos de datos enlazados. En este enfoque, primero se convierte los
grafos de datos enlazados (DBpedia y Wikidata) en un conjunto de secuencias
(considerando entidades y relaciones entre entidades), generando los vectores de
características (feature vectors). Seguidamente, se usan esas secuencias para entrenar un
modelo de lenguaje natural (Bag-of-Words y Skip-Gram), que estima la probabilidad de que
una secuencia de entidades aparezca en un grafo. Una vez finalizado el entrenamiento,
cada entidad del grafo se representa como un vector de características. Por último, los
vectores de características pueden ser usados para construir modelos de aprendizaje, ya
que dichos vectores son independientes de la tarea (clasificación, regresión, etc.) y del
conjunto de datos enlazados. Esos vectores de características pueden ser usados para
cualquier tarea dada, y por cualquier algoritmo (Support Vectorial Machine, Naive Bayes,
Random Forests, etc.). En [22], se extiende la forma en que se calcula los vectores de
características, probando doce funciones diferentes de ponderación en el grafo. Algunas de
las funciones son uniforme, centrados en los bordes y centrados en nodos usando
frecuencia de objeto y PageRank.
Finalmente, en [23] se presenta una novedosa técnica denominada Geo-SemanticParsing (GSP), que recibe un documento de texto como entrada y devuelve un documento
enriquecido, donde todas las menciones de lugares/ubicaciones están asociadas a las
coordenadas geográficas correspondientes, aprovechando dos conceptos muy importantes
como son, los datos enlazados y el aprendizaje automático. Esta técnica involucra tres
64
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
procesos: a) Anotación semántica: se identifican las partes relevantes del texto de entrada
y se vinculan a los recursos relacionados en la nube de datos enlazados (por ejemplo,
entidades de DBpedia). Para este paso, se usan las APIs de los anotadores semántico
existentes en el mercado (DBpedia Spotlight, TagMe, Dexter y Dandelion), pasando un
documento de texto, que luego retornar las URIs de DBpedia de los recursos identificados
y una puntuación de confianza”p” que expresa la probabilidad de que una anotación
específica sea correcta. b) Extracción de información geográfica: se analizan otros recursos
equivalentes pertenecientes a diferentes bases de conocimiento de datos enlazados (por
ejemplo, YAGO, Freebase, Geonames, etc.), para extraer posible información geográfica
relacionada con los recursos ya identificados. La capacidad de asociar un conjunto de
coordenadas geográficas a un recurso, depende de la capacidad para analizar tantos
predicados con información geográfica (geo:lat y geo:long, georss:point, etc.) como sea
posible. Esta implementación soporta 45 tipos de predicados. Además, los datos pueden
estar en diferentes formatos (por ejemplo, grados decimales; grados, minutos, segundos),
por lo que se implementan un conjunto de fórmulas sencillas para convertir los diferentes
formatos de entrada en coordenadas decimales de latitud y longitud. c) Filtrado con
aprendizaje automático: se evalúan y se filtran las coordenadas geográficas candidatas de
cada recurso identificado, donde se descartan (podan) las coordenadas que sean
incorrectas. Esta operación de filtrado es realizada por un clasificador de aprendizaje
automático binario, implementado con una Máquina Vectorial de Soporte o SVM. Una vez
entrenado, el clasificador SVM toma como entrada un conjunto de características que
describen un resultado candidato, y produce la etiqueta de clase pronosticada para ese
resultado candidato.
Generación de datos artificiales
En SWING (Semantic Web INstance Generation) [24] se desarrolla un generador de
datos que toma como entrada un conjunto de fuentes de datos enlazados y devuelve varios
conjuntos de datos (descritas como ontologías), a los que se le aplican diferentes procesos
de transformación. Este sistema está compuesto por tres fases: a) Adquisición de datos:
aquí se seleccionan los conjuntos de datos u ontologías a considerar de cada una de las
fuentes de datos enlazados. b) Transformación de los datos: donde los esquemas y las
instancias se transforman empleando variaciones, tales como: i) Valor de los datos: trabaja
sobre los valores concretos de las propiedades de los datos y sus tipos de datos, dando
como resultado un nuevo valor. Por ejemplo: “Luke Skywalker” a “L4kd Skiwaldek”, “10” a
“110”; ii) Estructura de los datos: cambian la forma en que los valores de los datos se
conectan a los individuos en el grafo ontológico original, especificando el tipo, el número de
propiedades asociadas, las transformaciones, la supresión/adición de propiedades, etc.; iii)
Semántica de los datos: se basa en la idea de cambiar la forma en que se clasifican y
describen los individuos en la ontología original. Por ejemplo: Character(k) a Creature(k). c)
Evaluación de datos: en la que se crean las alineaciones de referencia para cada conjunto
65
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
de datos generados; esas alineaciones contienen los mapeos correspondientes entre los
individuos originales y los individuos transformados en los datos generados.
Semantic Publishing Benchmark (SPB) [25],[26] implementa un generador de datos
que soporta la creación de conjuntos de datos de gran tamaño, del orden de miles de
millones de tripletas, utilizando varias ontologías y conjuntos de datos de referencia
proporcionados por BBC (British Broadcasting Corporation), para producir conjuntos de
datos que imitan las características de los conjuntos de datos de referencia. Las ontologías
permiten definir las principales entidades y sus propiedades, necesarias para describir los
conceptos esenciales de los datos de referencia, tales como obras creativas, personas,
documentos, productos de la BBC (noticias, música, deporte, educación, blogs),
anotaciones (etiquetas), etc. Los conjuntos de datos de referencia empleados por el
generador de datos son instancias de los conjuntos de datos reales proporcionado por la
BBC y un conjunto de datos enlazados de referencia de GeoNames y DBPedia, que
enriquece las anotaciones con geolocalizaciones que permiten la formulación de consultas
geoespaciales. El generador de datos SPB funciona en cuatro fases: a) las ontologías y los
conjuntos de datos de referencia se cargan en un repositorio; b) todas las instancias de las
ontologías de dominio que existen en los conjuntos de datos de referencia se recuperan
mediante consultas SPARQL predefinidas; c) de las instancias anteriores, se seleccionan
las entidades “popular” y “regular”; d) el generador produce los datos de acuerdo a tres
mecanismos de generación: i) Agrupación de datos: se produce generando datos sobre una
sola entidad a partir de conjuntos de datos de referencia y durante un período de tiempo
fijo. Un ejemplo podría ser las noticias que se refieren a eventos para un período de tiempo;
ii) Correlaciones de entidades: se produce generando datos sobre dos o tres entidades a
partir de datos de referencia en un período fijo de tiempo. Un ejemplo podría ser que varias
personas "populares" son mencionadas juntas por distintas obras creativas en un cierto
período de tiempo; iii) Etiquetado aleatorio de entidades: las distribuciones aleatorias de
datos se definen con un sesgo hacia las entidades populares creadas cuando se realiza el
etiquetado. Un ejemplo son los eventos de cada día que se vuelven menos importantes
varios días después de su fecha de inicio.
SPIMBENCH (Semantic Publishing Instance Matching Benchmark) [27] cuenta con un
generador de datos enlazados escalable, que amplía la propuesta de SPB para producir
descripciones de datos que son instancias válidas de las clases de las ontologías
proporcionadas por la BBC. Además, este generador se basa en las ideas SWING, ya que
implementa las variaciones de valores, estructurales y lógicas, organizadas en
transformaciones simples y complejas. Una transformación simple implica una combinación
de variaciones de la misma categoría, mientras que la combinación de variaciones de
diferentes categorías resulta en una transformación compleja. Las variaciones de valores
soportadas incluyen transformaciones en las propiedades del tipo de datos de la instancia,
errores tipográficos, y el uso de diferentes formatos de datos (numéricos, de fecha, etc.).
Las variaciones estructurales se aplican a las propiedades de instancias tales como la
división, agregación, adición y eliminación de propiedades. Las variaciones lógicas es
donde SPIMBENCH pone más énfasis, ya que, soporta variaciones lógicas que van más
66
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
allá de las construcciones de RDFS, utilizando los axiomas de OWL y OWL2 para descubrir
correspondencias entre las instancias, al considerar la información de los esquemas de los
datos.
En [25],[28] se describe DATAGEN, generador de datos enlazados artificiales que imita
las características de los datos reales en una Red Social (similar a Facebook). DATAGEN
simula las actividades de los usuarios en una red social durante un periodo de tiempo, y las
principales entidades que usa son: Personas, Etiquetas, Foros, Mensajes (Publicaciones,
Comentarios y Fotos), Gustos, Organizaciones y Lugares. El proceso de generación de
datos artificial pasa por los siguientes pasos [25]: a) Inicializar parámetros de configuración
(tipo de salida de los datos, número de personas, número mínimo y máximo de etiquetas
para una personas, etc) y diccionarios (toma la información de las fuentes de datos
enlazados como DBpedia, GeoNames, entre otros); b) Crear personas, incluyendo
relaciones con universidades y empresas (correlacionadas por ubicación); c) Generar
interés/etiquetas de personas (correlacionadas por ubicación); d) Generar relaciones de
amistad (amistades correlacionadas universidad-país, amistades correlacionadas con
intereses y amistades aleatorias); e) Generar foros, mensajes y comentarios
(correlacionados con los intereses de la persona); f) Serializar (csv o ttl, en formato NTriples) los datos generados (incluyendo datos estáticos sobre Lugares y etiquetas de las
clases). Por otro lado, el algoritmo generador de datos de DATAGEN, utiliza el algoritmo
MapReduce (Hadoop), lo que permite manejo de grandes datos. La idea es que una función
“Map” se ejecuta con diferentes partes de los datos de entrada, en paralelo y en muchos
clusters (distribuido).
En [29],[30] se describe un generador de benchmark denominado LANCE, mostrado
en la Figura 3 [29], donde se implementa un generador de datos sintéticos tomando como
insumo distintas fuentes de datos enlazados. Además, este generador es independiente del
dominio, por lo que, acepta cualquier conjunto de datos enlazados (acompañado de su
esquema de configuración) para producir un conjunto de datos artificial que cumpla con los
objetivos especificados. El sistema está compuesto por un repositorio que almacena los
conjuntos de datos fuentes, y un generador de casos de prueba que toma un conjunto de
datos de origen como entrada y produce un conjunto de datos de destino. El generador de
casos de prueba consta de tres módulos: a) Inicialización: lee los parámetros de generación
(fuentes de datos, transformaciones basadas en valores, estructuras y semánticas, entre
otros) y construye el esquema que se utilizará para producir el set de datos de destino. Este
esquema se obtiene al realizar consultas SPARQL, según los parámetros de generación,
recogiendo las clases y propiedades de interés; b) Generador de recursos: utiliza los datos
enlazados de entrada y el esquema creado por el modulo anterior, para recuperar instancias
a través de consultas SPARQL que cumplan con esos esquemas; y c) Transformación de
recursos: toma las instancias recuperadas, junto con los parámetros de generación, para
crear y almacenar una instancia transformada (Valores: tipos, formatos de fecha/número,
etc.; Estructuras: borrado de clases/propiedades, agregaciones, divisiones, etc.; y
Semánticas: clases, instancias, propiedades, restricciones, etc) por cada instancia de
origen.
67
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Figura 3. Arquitectura del Sistema LANCE
LinkGen [31] es un generador de datos enlazados sintéticos que emplea mecanismos
de generación aleatoria de datos basados en la distribución estadística Zipf y Gaussiana.
El generador pasa por tres procesos para crear los datos sintéticos: a) se cargan las
ontologías a considerar en la generación de datos enlazados (DBpedia y schema.org) y se
recopila la información estadística sobre cada ontología. Entre la estadística a considerar
está el número de clases, las propiedades de los tipos de datos, las propiedades de los
objetos y las propiedades para las que no están definidos el dominio y el rango. También
se almacena la conectividad de cada clase, para ordenar las clases en función de su
frecuencia; b) se genera un gran número de entidades utilizando las distribuciones
estadísticas. Por ejemplo, se usa la distribución gaussiana para los fenómenos de la vida
real como las alturas de las personas, y la distribución de Zipf para las frecuencias de las
palabras y las frecuencias de los nombres y apellidos; c) Se genera los tripletes sintéticos
de las propiedades asociadas a cada clase. LinkGen tiene las siguientes capacidades:
soporta el modo streaming, acepta cualquier vocabulario u ontología, puede complementar
la salida con datos ruidosos e inconsistentes (errores sintácticos, declaraciones incorrectas,
entre otros), puede generar diferentes conjuntos de salidas al variar los parámetros de
configuración, y genera salidas en formato N-Triples y N-Quad. Además, tiene la capacidad
de relacionar instancias artificiales con instancias reales.
Aprendizaje ontológico
En [32] se propone un método para generar metadatos de manera automática, para
enriquecer el conocimiento con información de procedencia de otros metadatos, que
pueden ser capturados en las distintas etapas de un flujo de trabajo de un conjunto de datos
enlazados (extracción, generación y publicación). En ese trabajo, se considera cada paso
del flujo de tareas como una actividad, cuyas propiedades son necesarias rastrear. Entre
los pasos principales que se consideran son los siguientes: a) Generación de las
definiciones de mapeo: se captura la información desde que se definen las reglas de mapeo,
ya que es importante hacer un seguimiento de cuándo y quién editó o modificó las reglas
de mapeo; b) Recuperación de las fuentes de datos: un conjunto de datos puede derivarse
de una o más fuentes de datos heterogéneas. Cada fuente de datos podría derivarse de un
insumo. Por ejemplo, una tabla podría derivarse de una base de datos o algunos datos
68
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
JSON (JavaScript Object Notation) podrían derivarse de una API. Por lo tanto, es importante
hacer un seguimiento de los metadatos relacionados con las fuentes de datos y su
recuperación; c) Generación de datos enlazados: tan pronto como las reglas de mapeo y la
fuente de datos están disponibles, se generan los datos. Este paso es crucial para capturar
el origen de los datos, ya que en este paso es donde se almacena en los datos generados
la información recogida en los pasos anteriores; d) Publicación de datos enlazados: los
datos publicados no siempre son idénticos a los generados. Por ejemplo, podría ser el
resultado de la fusión de múltiples conjuntos de datos, que se generan a partir de diferentes
fuentes de datos en el mismo momento o en momentos diferentes. Además, el conjunto de
datos publicado podría publicarse de una manera diferente, en comparación con la forma
en que se generaron los datos. Si los datos generados difieren de los publicados, entonces
se deben definir los metadatos para este paso.
Por otro lado, en este trabajo también se estudiaron los diferentes niveles de detalles
en la recolección de la información de procedencia y metadatos, donde se identifican los
siguientes niveles: a) Conjunto de datos: se refiere a todas las anotaciones para el conjunto
de datos completo, es decir, un void:Dataset es el mismo para cada tripleta; b) Grafo con
nombre: son las anotaciones que están relacionadas con un determinado grafo con nombre,
es decir, un void:Dataset es el mismo para todas las tripletas de un grafo con nombre; c)
Conjunto de datos particionado: son todas las anotaciones que están relacionadas con un
determinado conjunto de datos particionado según diferentes aspectos (por ejemplo, la
fuente de datos subyacente, el objeto de la tripleta, el predicado de la tripleta o cualquier
otra partición personalizada), es decir, un void:Dataset es el mismo para todas las tripletas
de un conjunto de datos particionado; d) Conjunto de tripletas: son todas las anotaciones
que están relacionadas con una tripleta. Adquiere importancia en casos de big data y datos
en streaming, donde el tiempo en el que se generó una tripleta puede diferir
significativamente en comparación con el resto de tripletas del conjunto de datos; e)
Conjunto de términos: son todas las anotaciones que están relacionadas con un término.
Adquiere importancia cuando un término que forma parte de una determinada tripleta puede
derivar de diferentes fuentes de datos.
De la misma manera, en [33] se presenta un esquema para el análisis y enriquecimiento
semánticos de los metadatos de las distintas publicaciones científicas, con el objetivo de
detectar potenciales redes de colaboración, a través del uso de los recursos de las fuentes
de conocimiento sociales como los de datos enlazados de DBPedia, tomando como base
la utilización de las palabras clave (keywords) de los artículos científicos, para determinar
grupos de publicaciones relacionadas cuyos autores no han trabajado en coautoría, lo que
permitirá descubrir a pares académicos que trabajan en temas de investigación similares,
y con quienes se podría llegar a establecer redes de colaboración. Para conseguir ese
propósito, primero se cuenta con la información sobre las publicaciones, y se crea los
enlaces entre las palabras claves del repositorio local y los correspondientes recursos en el
repositorio de datos enlazados objetivo (DBPedia). Luego, se inicia el proceso de
enriquecimiento de cada palabra clave asociadas a las publicaciones. El enriquecimiento
consiste en encontrar una taxonomía de conceptos cercanos al nodo de interés; esto es
69
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
posible, aprovechando las relaciones semánticas de la ontología SKOS (Knowledge
Organization System), al aplicar un proceso iterativo de recorrido del grafo a través de las
relaciones semánticas definidas por SKOS en el repositorio de datos enlazado disponible
en DBPedia. Además, DBpedia incluye vínculos a entidades de otras fuentes de datos
enlazados, tales como YAGO, OpenCyc y WordNet, permitiendo así, consolidar e integrar
información de un mismo recurso (persona, institución, producto, localización, etc.) a través
de diferentes fuentes heterogéneas. Por ejemplo, en la Figura 4 se muestra la
representación de los conceptos relacionados a la palabra Learning en DBpedia [33].
Figura 4. Taxonomía representada en SKOS: meta-conceptos relacionados a “Learning”
En [34] se propone un algoritmo estadístico que usa los datos enlazados para la
extracción de conceptos relevantes del texto, denominado glimpseLD, y está basado en
SPOT [35]. La operación atómica detrás de este algoritmo es el descubrimiento de todas
las instancias que pertenecen a cada concepto ontológico. Su funcionamiento es totalmente
independiente con respecto al idioma, el dominio y el estilo del corpus. Además, el agente
humano puede intervenir en el bucle del algoritmo para conducir la extracción de conceptos
hacia su interpretación semántica, asegurando así la pertenencia al dominio de los
conceptos extraídos y descartando rápidamente a los no pertinentes, evitando la
propagación de patrones de extracción erróneos. Por otro lado, los datos enlazados sirven
como una poderosa herramienta de arranque en frio, al tomar información de estas fuentes
como una semilla en las iteraciones iniciales, que permitan encontrar nuevos conceptos en
los textos, sin descartar que el experto en la materia pueda también proporcionar semilla(s)
inicial(es). El algoritmo comienza tomando el corpus del documento dónde se va a realizar
la búsqueda. Este documento puede ser de un tema específico o uno general (por ejemplo,
contenidos de Twitter, facebook, blog, entre otros). Además del corpus, glimpseLD necesita
uno o más ejemplos (semillas) de las instancias del concepto (por ejemplo, Colores) a
extraer de los datos enlazados (por ejemplo, seleccionando todas las entidades de tipo
dbo:Colour de DBpedia y todas las entidades de tipo wikidata:Q1075 de Wikidata),
recuperando las etiquetas de los colores en múltiples idiomas como el inglés, alemán,
español e italiano. A partir de ellas, se evalúan los contextos (el conjunto de palabras que
rodean a una instancia) en los que se usan las semillas, y se identifican los contextos
"buenos". Los contextos se califican retrospectivamente en términos de cuántos resultados
"buenos" se generan, manteniendo todos los contextos que tienen una puntuación sobre
70
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
un determinado nivel (se pueden encontrar más detalles sobre la función de puntuación
en [35]). Los contextos "buenos" se utilizan para identificar otros términos o frases en el
corpus, que son presentados a un agente humano o agente artificial (que conoce los
elementos que pertenecen al concepto de destino, pero no las comparte a priori) como
candidatos a un nuevo concepto (por ejemplo, "azulgrana" o "rojo vivo" para el español, que
no está presente en las fuentes de datos enlazados usados como semillas). Los conceptos
aceptados por el agente o experto en la materia, son añadidos al diccionario y utilizados
como semillas adicionales para la siguiente iteración.
Por último, en [36] se especifica una arquitectura que recopila, integra y enriquece los
datos públicos sobre las ciudades. La arquitectura está compuesta por las siguientes capas:
a) Crawler: recoge periódicamente los datos abiertos de 32 tipos de fuentes heterogéneas
(por ejemplo, Datos Enlazados: DBpedia, APIs Web: Urban Audit), usando los distintos
scripts definidos en la capa Wrapper Components; b) Wrapper Components: define los
scripts que permiten transformar y/o mapear los datos recopilados. Para lograr ese objetivo,
se crean manualmente los distintos componentes de envolturas personalizados que
atienden los diversos problemas específicos de cada fuente. Estas envolturas preprocesan
los datos de las fuentes, antes de integrarlos en el almacén de tripletas de datos enlazados.
Dicho preprocesamiento contiene tareas de limpieza de datos, es decir, conversiones de
unidades, formateo de números y datos, codificación de cadenas y filtrado de datos no
válidos. Entre el conjunto de envolturas se cuenta con extracción de hojas Excel, CSV (con
análisis y limpieza), JSON, tablas en documentos HTML (HyperText Markup Language) y
RTF, Datos Enlazados, APIs, RDF (limpieza), entre otros; c) Semantic Integration: unifica
el vocabulario de las diferentes fuentes de datos, a través de una ontología CityDataModel
(ver Figura 5 [36]) y parte de esta capa se implementa en las envolturas individuales de la
capa Wrapper Components. La ontología cubre varios aspectos: contexto espacial (país,
región, ciudad, distrito), contexto temporal (validez, fecha de recuperación), procedencia
(fuente de datos), términos de uso (licencia) y una lista extensible de indicadores. También
maneja información de contexto de las fuentes (fecha y hora de los datos descargados,
periodo de validez, nombre y ubicación de las fuentes, entre otros) a través de la clase
CityDataContext. Para enriquecer e integrar las distintas fuentes, se mapean las
propiedades de las fuentes con las propiedades de CityDataModel (por ejemplo, los datos
enlazados de DBpedia etiquetados como dbpedia:population son relacionados con
citydata:population mediante subPropiedadOf); d) Otras Capas (Data Storage, Analytics y
User Interface y LOD): En estas capas se pone a disposición los datos procesados como
datos enlazados, y el motor de consultas SPARQL proporciona acceso a ellos. Además,
permite realizar análisis con la información de los datos unificados a través de la ontología
CityDataModel. Por otro lado, en este trabajo proponen un primer paso para la
automatización de las capas Crawler y Wrapper Components, al presentar un enfoque de
aprendizaje de mapeos ontológicos de pares de indicadores de diferentes conjuntos de
datos, que permitiría a los indicadores de nuevos conjuntos de datos ser mapeados a los
indicadores existentes. El enfoque propuesto busca calcular el coeficiente de correlación
71
de los indicadores en las propiedades de los diferentes conjuntos de datos, para determinar
que propiedades son equivalentes, obteniendo el mapeo de dichas propiedades.
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Figura 5. Fragmento de la ontología CityDataModel
TERCERA FASE
Discusión y Futuros Desafíos
En esta sección se presenta un análisis de los resultados encontrados en las distintas
dimensiones. En la Tabla 4, se muestran los trabajos agrupados por dimensión.
Tabla 4. Trabajos que explotan los datos enlazados por dimensión
Dimensiones relacionadas con los datos
enlazados
Número de
trabajos
Trabajos
Recomendación de información
4
[13], [14], [15], [16]
Generación de modelos de aprendizaje basado
en el Aprendizaje Automático
7
[17], [18], [19], [20], [21],
[22], [23]
Generación de datos artificiales
8
[24], [25], [26], [27], [28],
[29], [30], [31]
Aprendizaje Ontológico
5
[32], [33], [34], [35], [36]
Recomendación de información
En la Tabla 5, se muestra un conjunto de trabajos que explotan distintas características
para recomendar información usando los datos enlazados. En general, las investigaciones
prueban distintos algoritmos recomendadores basados en espacio vectorial y modelos
probabilísticos (aplicando cálculos de medida de similitud vectorial), clasificadores (cada
preferencia es clasificada como interesante o no) y grafos (cálculos de peso y distancia
entre nodos del grado). Además, todos los trabajos muestran recomendadores basados en
lógica descriptiva usando datos enlazados, pero no se encontraron trabajos que muestren
recomendadores usando inferencias híbridas de lógica descriptiva/dialéctica con datos
72
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
enlazados, o en su defecto, usando inferencias con lógica dialéctica con datos enlazados.
Por otro lado, en [16] se traducen preguntas planteadas en Lenguaje Natural a consulta
SPARQL utiliza Lógica de Primer Orden, con información proveniente de datos enlazados.
Tabla 5. Trabajos que explotan los datos enlazados para recomendar información
Características
Trabajos
Usa algoritmo basados en espacio vectorial y modelos probabilísticos
[13], [15]
Usa algoritmo basados en clasificadores
[13], [15]
Usa algoritmo basados en grafos
[13], [14], [16]
Usa lógica descriptiva
[13], [14], [15],
[16]
Usa lógica dialéctica
No Encontrado
El desafío en este tópico es desarrollar un recomendador de información con datos
enlazados que permita usar ambas lógicas, para resolver una variedad mucho más amplia
de problemas. En particular, la lógica dialéctica podría conferirle al recomendador, la
capacidad de resolver situaciones en las que un razonamiento se encuentra con
información inconsistente (estado de contradicción o ambigüedad). En relación a la lógica
dialéctica, en [9] se describe el razonador RM3 que soporta este tipo de razonamiento.
El posible funcionamiento de este recomendador sería el siguiente (ver Figura 6): En
el paso 1, el usuario realiza una solicitud al recomendador, indicando la consulta que desea
resolver. En los pasos 2 y 3, se identifica y se enriquece la consulta con datos enlazados,
detectando su contexto. En los pasos 4, 5, 6 y 7 (proceso repetitivo) es donde se van
detectando las preferencias del usuario, y se van enriqueciendo y almacenando con datos
enlazados. En los pasos 8, 9, 10 y 11 se solicita al módulo con lógica descriptiva las posibles
recomendaciones. En los pasos 12 y 13 se verifican las inconsistencias y/o ambigüedades
que presentan las posibles recomendaciones según la consulta y se resuelven usando
lógica dialéctica, y se resuelven las recomendaciones a entregar. En el paso 14 se entrega
las recomendaciones al usuario.
Generación de modelos de aprendizaje automático
En la Tabla 6, se presentan los trabajos que explotan los datos enlazados para definir
modelos de aprendizaje automático. En [18],[23], se toma la información de un texto sin
estructura y se asignan URIs (Uniform Resource Identifier) de los datos enlazados a cada
concepto detectado, es decir, se hacen anotaciones semánticas. En los trabajos
[18],[21],[23], se extrae información de los datos enlazados, para enriquecer el
conocimiento que se posee de un concepto determinado. La tercera característica en la
Tabla 6, transforma los datos enlazados a matrices o vectores para construir la topología
de base del modelo de aprendizaje; y en la cuarta característica en la Tabla 6 se usa la
información directamente desde los datos enlazados, para deducir descriptores. Por otro
lado, en [19],[20] se especifica un framework con componentes reutilizables para solucionar
73
distintos problemas de aprendizaje con una variedad de fuentes de conocimiento, que
juntos forman el conocimiento de base para resolver una tarea dada usando aprendizaje
automático.
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Figura 6. Diagrama de secuencia del recomendador de información
Tabla 6. Trabajos que usan datos enlazados para generar modelos con aprendizaje
automático
Características
Trabajos
Extrae información de textos (minería de texto) y los relacionan con
[18], [23]
datos enlazados
Enriquece la información con los datos enlazados
[18], [21], [23]
Transforma la información representa en el grafo de datos enlazados
[17], [21], [22],
[23]
Usa la información directamente del propio grafo de datos enlazados
[17], [18], [19],
[20], [21], [22]
El desafío en relación al aprendizaje automático, sería desarrollar un servicio generador
de modelos de aprendizaje automático con componentes reutilizables, que permita usar
algoritmos de aprendizaje supervisados o no supervisados para resolver distintos
problemas, usando como fuentes de conocimiento los Datos Enlazados. Particularmente,
en esta fase se requieren varias tareas: definir la estructura, los descriptores, etc., del
modelo de aprendizaje. Por ejemplo, la tarea de detectar el conjunto de descriptores a
considerar en el modelo de aprendizaje, para un problema dado, es usar los Datos
Enlazados en el proceso de Ingeniería de Descriptores (extracción, reducción, selección y
fusión de descriptores).
Ese servicio puede ser invocado en diferentes tipos de ambientes. Para poner en
perspectiva lo interesante de este servicio, supóngase el caso de una ciudad inteligente, en
la que un ciudadano necesita encontrar los mejores lugares para comer en la ciudad según
74
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
el tipo de comida. Este servicio se desplegaría de la siguiente forma (ver Figura 7): En el
paso 1 se pasa como datos de entrada el objetivo del problema a resolver (encontrar los
mejores lugares para comer en la ciudad según el tipo de comida), y los algoritmos a usar
(arboles de decisiones, redes bayesianas, crónicas, etc.). En los pasos 2 y 3 se construye
el modelo de aprendizaje (estructura, descriptores, etc.). En los pasos 4, 5, 6 y 7 se buscan
los datos a usar para entrenar y probar el modelo. En este caso particular, se usan los datos
enlazados para poblar los conjuntos de datos de entrenamiento y prueba, basadas en los
ciudadanos y las características de los lugares. En el paso 8, se genera el modelo de
conocimiento y su calidad (métricas de rendimiento).
Figura 7. Diagrama de secuencia del servicio generador de modelos
Generación de datos artificiales
En la Tabla 7, se pueden observar las características usadas en los trabajos para la
generación de datos que exploten los datos enlazados. Muchos de los trabajos usan los
datos enlazados como modelo para extraer las características de los datos artificiales a
generar. También se observan que en los trabajos se filtran y/o se transforman los datos
enlazados de entrada (datos reales) para producir perturbaciones o cambios en los datos,
logrando generar datos artificiales con variaciones (de estructura, de tipos y/o de valor) de
los datos reales. Otra forma de usar los datos enlazados para generar datos artificiales, es
obteniendo información externa para los datos de entrada, al enriquecerlos con los datos
enlazados. Además, se observan trabajos que describen generadores con la capacidad de
tomar y generar grandes conjuntos de datos, o de generar datos en tiempo real, usando
técnicas y tecnologías de Big Data. También, se puede notar un grupo especial de trabajos
enfocados a la generación de datos que simulan ambientes reales, por ejemplo, en [25],[28]
simulan las actividades de los usuarios en una red social durante un periodo de tiempo,
donde se especifican las relaciones de las personas, organizaciones, lugares, etc.
Un interesante desafío, sería desarrollar un generador de datos en tiempo real, tal que
el generador sea responsable de mantener actualizada los cambios del modelo de dominio
de las fuentes de datos enlazados, para permitir optimizar la generación, es decir, la
75
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
generación artificial se adaptaría a los cambios de manera incremental, evitando recalcular
la información estadística de todos los datos de entrada [37].
Tabla 7. Trabajos que explotan los datos enlazados para generar datos
Características
Trabajos
[24], [25], [26], [27],
Usa los datos enlazados de entrada como modelo
[29], [30], [31]
Filtra los datos enlazados de entrada para casos particulares [24], [25], [26], [29], [30]
Transforma los datos enlazados de entrada
[24], [27], [29], [30]
Enriquece los datos de entrada con datos enlazados
[25], [26], [28]
Relaciona datos enlazados a los datos generados
[24], [31]
Genera grandes conjuntos de datos (Big Data)
[25], [26], [28]
Genera datos en Streaming (en tiempo real)
[31]
Genera datos que simulan ambientes reales
[25], [26], [28]
Un contexto de funcionamiento para este generador, puede ser un ambiente inteligente
como los encontrados en la Industria 4.0, donde se puede invocar a este servicio generador
de datos, para probar las capacidades de reacción al ambiente. En la Figura 8, se muestra
como trabajaría este servicio: En el paso 1 se pasan los parámetros de configuración del
generador (modelo de generación, fuentes de datos enlazados, cantidad de datos a
generar, etc.). Los pasos 2 y 3 son opcionales, para el caso cuando no se especifiquen las
características del modelo de generación, tal que se extraería el modelo de generación
(estructura, tipos y datos) desde las fuentes de datos enlazados indicados en la
configuración. En los pasos 4 y 5, opcionales, se enriquecen los datos de entrada desde
las fuentes de datos enlazados indicados en la configuración. En los pasos 6 y 7 (proceso
repetitivo) se generan los datos artificiales. En los pasos 8 y 9 (proceso repetitivo) se
relacionan y enriquecen los datos artificiales con las fuentes de datos enlazados. En el paso
10 se retorna los datos artificiales generados.
Figura 8. Diagrama de secuencia del servicio generador de datos artificial
76
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Aprendizaje ontológico
En general, en las investigaciones en esta área, se busca enriquecer los datos
enlazados, en las tres etapas clásicas que se consideran para usarlos (ver Tabla 8), para
lo cual se usan ontologías. En la etapa de extracción se enriquece con información de las
fuentes, como su ubicación, fecha de actualización, datos que maneja, etc. En la etapa de
generación se enriquece con información de otras fuentes: fecha de generación, procesos
de transformación de los datos, entre otros. En la etapa de publicación, solo se enriquece
si hay cambios en los datos, es decir, si los datos de publicación van a ser distintos a los
datos en la etapa de generación. Por ejemplo, si al momento de la publicación se toma
parte de los datos o si los datos de publicación es una suma de varias etapas de generación.
También se observa que la información a usar en el aprendizaje ontológico se puede extraer
de distintas formas, como pueden ser: i) Desde mapeos, se usa un conjunto de reglas que
indican que datos extraídos son iguales a un concepto o propiedad de la ontología; ii) Desde
el contexto, se analizan las frases o estructuras de las fuentes de datos a través de distintos
métodos, para determinar a qué concepto o propiedad de la ontología se asemeja. Por
último, los trabajos se enfocan en dos maneras de usar las ontologías. La primera, que es
la más usada, consiste en usar una ontología de base con los conceptos y propiedades a
considerar, que luego es poblado con los datos extraídos de los datos enlazados. En la
segunda y más complicada, se crea una ontología a partir de los datos extraídos de los
datos enlazados, donde se toman los conceptos y propiedades según una necesidad
particular o problema emergente (problema que no fue considerado desde un principio).
Tabla 8. Trabajos que explotan los datos enlazados para el aprendizaje ontológico
Características
Trabajos
Enriquece la etapa de extracción
[32], [34]
Enriquece la etapa de generación
[32], [33], [36]
Enriquece la etapa de publicación
[32]
Extrae información desde mapeos
[32], [33], [36]
Extrae información desde el contexto
[34], [35], [36]
Extrae información desde múltiples fuentes de datos
[32], [33], [34], [35], [36]
Usa su propia ontología
[32], [33], [36]
Crea la ontología a partir de los datos
[34], [35]
Un desafío interesante sería desarrollar un servicio que permita crear ontologías
emergentes con los datos enlazados. Dicho servicio tendría la capacidad de generar
ontología emergente según la necesidad que se presente, aprendiendo los distintos
axiomas (conceptos o propiedades) de las ontologías de las fuentes de datos enlazados.
Luego, estas ontologías creadas pueden ser enriquecidas/pobladas con la información que
se extraigan desde las distintas fuentes de datos enlazados.
Los ambientes que pueden desplegar este tipo de servicio son muy variados, por
ejemplo, en una ciudad inteligente. Supóngase que ocurre un infarto de un ciudadano, el
77
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
cual debe ser atendido de manera inmediata, por lo tanto, la ciudad necesita crear una
ontología para brindar la atención al ciudadano. Esa ontología debe considerar las
enfermedades y síntomas presentes del paciente (historial) y las características de las
enfermedades con sus tratamientos recogidos a través de los datos enlazados. Además,
esa ontología debe recoger información del entorno, que pueda permitir obtener
conocimiento de las posibles causas de dicho problema. Este servicio funcionaría de la
siguiente forma (ver Figura 9): En el paso 1, se pasan los parámetros de configuración al
servicio (ontología, mapeo, fuentes de datos enlazados, etc.). En los pasos 2 y 3 (proceso
opcional, cuando no se especifique la ontología y/o el mapeo de los datos) se crea a partir
de ciertas fuentes de datos enlazados, una ontología que considere las enfermedades con
sus síntomas, características y tratamientos. En los pasos 4 y 5 se extrae la información
necesaria de los datos enlazados, para enriquecer/poblar la ontología. Para este caso, se
obtienen las enfermedades y síntomas presentes en el paciente (historial), además de
información del entorno que puedan permitir obtener conocimiento de las posibles causas
de dicho problema. En el paso 6 se retorna la ontología con toda la información ya
aprendida.
Figura 9. Diagrama de secuencia del servicio de aprendizaje ontológico
CONCLUSIONES
El estado de arte objeto de este artículo, ha permitido establecer los avances sobre los
datos enlazados en los aspectos de cada dimensión considerada, dejando relucir los
posibles retos o desafíos a resolver en próximas investigaciones. Así, en la dimensión sobre
la Recomendación de información con datos enlazado, se describe un desafío interesante,
como es explotar los datos enlazados, usándolos en conjunto con las lógicas descriptiva y
dialéctica, para ampliar las capacidades de los sistemas recomendadores ante problemas
que necesiten razonar en estados de contradicción o ambigüedad.
Otros desafíos interesantes descritos en este trabajo, son los distintos servicios que
explotan los datos enlazados apoyándose en otras áreas tecnológicas. En ese sentido, en
la dimensión de la Generación de modelos de Aprendizaje Automático, es usar los datos
enlazados como fuentes de conocimiento para construir los modelos de conocimiento
(topología o estructura, descriptores, etc.), para distintos problemas. Por su parte, en la
78
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
Generación de datos artificiales, es usar los datos enlazados para generar datos artificiales
que representen las características de un contexto dado, evitando en muchos casos el uso
de los datos originales por seguridad o privacidad. Además, es una propuesta interesante
para la generación masiva de datos artificiales, en casos donde no se cuente con suficientes
datos, o en casos que se deseen simular ambientes inteligentes. A su vez, en la dimensión
del Aprendizaje ontológico, algunos de los posibles trabajos es explotar los datos enlazados
para crear o poblar las ontologías, entre otras cosas. También permiten enriquecer dichas
ontologías en un dominio particular o emergente, ofreciendo conocimientos en un área o
ambiente específico, extraídos automáticamente de las fuentes de datos enlazados.
Finalmente, un desafío interesante sería contar con un ambiente donde se integren y
desplieguen todos estos servicios o características, permitiendo resolver múltiples
problemas en conjunto, ya que cada uno de estos servicios ofrece o resuelven necesidades
particulares. De esta manera, sería un entorno en donde se podrían encadenar/orquestar
los servicios, es decir, la respuesta de un servicio puede ser usado como entrada a los
servicios, permitiendo resolver problemas de mayor envergadura.
REFERENCIAS
[1]
[2]
[3]
[4]
[5]
[6]
79
T. Berners-Lee, J. Hendler, and O. Lassila, “The Semantic Web”, Scientific American,
vol.
284,
no.
5,
pp.
28-37,
May
2001.
[Online].
Available:
https://www.scientificamerican.com/article/the-semantic-web/ [Accessed: June 20,
2018].
T. Berners-Lee, et al., “Tabulator: Exploring and Analyzing Linked Data on the
Semantic Web”, in 3rd International Semantic Web User Interaction Workshop (SWUI
2006),
Nov.
2006,
pp.
1-16.
Online].
Available:
https://www.cs.columbia.edu/~chilton/my_publications/BernersLeeTabulator2006.pdf
[Accessed: June 20, 2018].
T. Rodríguez, R. Dos Santos, y J. Aguilar, “Metodología para el desarrollo de
Aplicaciones Web utilizando Datos Enlazados”, en 5ta. Conferencia Nacional de
Computación, Informática y Sistemas (CONCISA 2017), Oct. 2017, pp. 114-122. [En
línea]. Disponible en: http://concisa.net.ve/memorias/CoNCISa2017/CoNCISa2017p114-122.pdf [Consultada: 30 de junio de 2018].
R. Dos Santos, y J. Aguilar, “Enlazado de Datos”, en Introducción a la Minería
Semántica, J. Aguilar, Ed. San Cristóbal: Fondo Editorial Universidad Nacional
Experimental del Táchira (FEUNET), 2018, pp. 177-216.
T.
Berners-Lee,
“Linked
Data”,
2006.
[Online].
Available:
https://www.w3.org/DesignIssues/LinkedData.html [Accessed: July 10, 2018].
P.V. Torres-Carrión, et al., “Methodology for Systematic Literature Review Applied to
Engineering and Education”, in 9th IEEE Global Engineering Education Conference
(EDUCON
2018),
April
2018,
pp.
1364-1373.
doi:
https://doi.org/10.1109/EDUCON.2018.8363388
[7]
[8]
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
80
A. Zouaq, J. Jovanovic, S. Joksimovíc, and D. Gašević, “Linked data for learning
analytics: Potentials and challenges. Handbook of Learning Analytics”, 2017. [Online].
Available: https://solaresearch.org/wp-content/uploads/2017/05/hla17.pdf [Accessed:
July 23, 2018].
J. Aguilar, P. Valdiviezo-Díaz, and G. Riofrio “A General Framework for Intelligent
Recommender Systems”, Applied Computing and Informatics, vol. 13, no. 2, pp. 147160, July 2017. doi: https://doi.org/10.1016/j.aci.2016.08.002
F.J. Pelletier, G. Sutcliffe, and A.P. Hazen, “Automated Reasoning for the Dialetheic
Logic RM3”, in 30th International Florida Artificial Intelligence Research Society
Conference (FLAIRS 2017), May 2017, pp. 110-115. [Online]. Available:
https://www.aaai.org/ocs/index.php/FLAIRS/FLAIRS17/paper/download/15415/1492
6 [Accessed: July 23, 2018].
P. Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of
Data. Cambridge: Cambridge University Press, 2012.
Y. Pei, and O. Zaıane, A Synthetic Data Generator for Clustering and Outlier Analysis.
Technical Report, Department of Computing Science, University of Alberta, 2006. doi:
https://doi.org/10.7939/R3B23S
J. Lehmann, and J. Volker, “An Introduction to Ontology Learning”, in Perspectives on
Ontology Learning, J. Lehmann, and J. Volker. Ed. Amsterdam: IOS Press, 2014, pp.
ix-xvi.
C. Musto, et al., “Linked Open Data-enabled Strategies for Top-N
Recommendations”. CBRecSys 2014, Oct. 2014, pp. 49-56. [Online]. Available:
http://ceur-ws.org/Vol-1245/cbrecsys2014-proceedings.pdf [Accessed: Aug. 06,
2018].
V.C. Ostuni, et al., “A Linked Data Recommender System Using a Neighborhoodbased Graph Kernel”, in E-Commerce and Web Technologies, M. Hepp, and Y.
Hoffner. Ed. Cham, Switzerland; Springer, 2014, pp. 89-100.
B. Heitmann, and C. Hayes, “Using Linked Data to Build Open, Collaborative
Recommender Systems”, in 2010 AAAI Spring Symposium: Linked Data Meets
Artificial
Intelligence,
March
2010,
pp.
1-6.
[Online].
Available:
https://www.researchgate.net/publication/221250862_Using_Linked_Data_to_Build_
Open_Collaborative_Recommender_Systems [Accessed: Sep. 30, 2018].
S. He, et al., “Question Answering over Linked Data Using First-order Logic”, in 2014
Conference on Empirical Methods in Natural Language Processing (EMNLP), Oct.
2014, pp. 1092-1103. doi: https://doi.org/10.3115/v1/D14-1116
X. Wilcke, P. Bloem, and V. De Boer, “The Knowledge Graph as the Default Data
Model for Learning on Heterogeneous Knowledge”, Data Science. vol. 1, no 1-2, pp.
39-57, 2017. doi: https://doi.org/10.3233/DS-170007
D. Teja-Santosh, and B. Vishnu-Vardhan, “Obtaining Feature- and Sentiment-Based
Linked Instance RDF Data from Unstructured Reviews using Ontology-Based
Machine Learning”, International Journal of Technology, vol. 6, no. 2, pp. 198-206,
April 2015. doi: https://doi.org/10.14716/ijtech.v6i2.555
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
[19] L. Bühmann, et al., “DL-Learner Structured Machine Learning on Semantic Web Data”,
in
The
Web
Conference
2018,
April
2018,
pp.
467-471.
doi:
https://doi.org/10.1145/3184558.3186235
[20] L. Bühmann, J. Lehmann, and P. Westphal, “DL-Learner - A Framework for Inductive
Learning on the Semantic Web”, Journal of Web Semantics, vol. 39, pp. 15-24, Aug.
2016. doi: https://doi.org/10.1016/j.websem.2016.06.001
[21] P. Ristoski, and H. Paulheim, “RDF2Vec: RDF Graph Embeddings for Data Mining”,
in The Semantic Web – ISWC 2016, P. Groth, et al. Ed. Cham, Switzerland: Springer,
2016, pp. 498-514.
[22] M. Cochez, et al., “Biased Graph Walks for RDF Graph Embeddings”, in 7th
International Conference on Web Intelligence, Mining and Semantics (WIMS 2017),
June 2017, pp. 1-12. doi: https://doi.org/10.1145/3102254.3102279
[23] M. Avvenuti, et al., "GSP (Geo-Semantic-Parsing): Geoparsing and Geotagging with
Machine Learning on Top of Linked Data", in The Semantic Web, A. Gangemi, et al.
Ed. Cham, Switzerland: Springer, 2018, pp. 17-32.
[24] A. Ferrara, et al., “Benchmarking Matching Applications on the Semantic Web”, in The
Semanic Web: Research and Applications, G. Antoniou, et al. Ed. Berlin: Springer,
2011, pp. 108-122.
[25] I. Fundulaki, et al., D2.2.2 Data Generator. Technical Report, Linked Data Benchmark
Council
(LDBC),
2013.
[Online].
Available:
http://ldbcouncil.org/sites/default/files/LDBC_D2.2.2.pdf [Accessed: Oct. 28, 2018].
[26] V. Kotsev, et al., “Benchmarking RDF Query Engines: The LDBC Semantic Publishing
Benchmark”, in Workshop on Benchmarking Linked Data (BLINK 2016), Oct. 2016,
pp. 1-16. [Online]. Available: http://ceur-ws.org/Vol-1700/paper-01.pdf [Accessed:
Nov. 06, 2018].
[27] T. Saveta, et al., “Pushing the Limits of Instance Matching Systems: A SemanticsAware Benchmark for Linked Data”, in 24th International Conference on World Wide
Web
(WWW
2015),
May
2015,
pp.
105-106.
doi:
https://doi.org/10.1145/2740908.2742729
[28] O. Erling, et al., “The LDBC Social Network Benchmark: Interactive Workload”, in 2015
ACM SIGMOD International Conference on Management of Data (SIGMOD 2015),
May-June 2015. pp. 619-630. doi: https://doi.org/10.1145/2723372.2742786
[29] T. Saveta, et al., “LANCE: Piercing to the Heart of Instance Matching Tools”, in The
Semantic Web - ISWC 2015, M. Arenas, et al. Ed. Cham, Switzerland: Springer, 2015,
pp. 375-391.
[30] T. Saveta, et al., “LANCE: A Generic Benchmark Generator for Linked Data”, 2015
[Online]. Available: http://ceur-ws.org/Vol-1486/paper_43.pdf [Accessed: Dec. 12,
2018].
[31] A.K. Joshi, P. Hitzler, and G. Dong, “LinkGen: Multipurpose Linked Data Generator”,
in The Semantic Web – ISWC 2016, P. Groth, et al. Ed. Cham, Switzerland: Springer,
2016, pp. 113-121.
81
Revista Ingeniería al Día. ISSN: 2389 - 7309. Volumen 5 Edición No 1. Enero – Junio de 2019
[32] A. Dimou, et al., “Automated Metadata Generation for Linked Data Generation and
Publishing Workflows”, in 9th Workshop on Linked Data on the Web (LDOW 2016),
April
2016,
pp.
1-10.
[Online].
Available:
http://events.linkeddata.org/ldow2016/papers/LDOW2016_paper_04.pdf [Accessed:
Dec. 19, 2018].
[33] N. Piedra, et al., “Una Aproximación Basada en Linked Data para la Detección de
Potenciales Redes de Colaboración Científica a partir de la Anotación Semántica de
Producción Científica: Piloto Aplicado con Producción Científica de Investigadores
Ecuatorianos”. Maskana, vol. 5 (Número Especial), 2015.
[34] A. Alba, et al., “Multi-lingual Concept Extraction with Linked Data and Human-in-theLoop”, in 9th International Conference on Knowledge Capture (K-CAP 2017), Dec.
2017, pp. 1-8. doi: https://doi.org/10.1145/3148011.3148021
[35] A. Coden, et al., “Spot the Drug! An Unsupervised Pattern Matching Method to Extract
Drug Names from Very Large Clinical Corpora”, in 2nd International Conference on
Healthcare Informatics, Imaging and Systems Biology (HISB 2012), Sep. 2012, pp.
33-39. https://doi.org/10.1109/HISB.2012.16
[36] S. Bischof, et al., “Collecting, Integrating, Enriching and Republishing Open City Data
as Linked Data”, in The Semantic Web - ISWC 2015, M. Arenas, et al. Ed. Cham,
Switzerland: Springer, 2015, pp. 57-75.
[37] N. Li, et al., “Applying Combinatorial Test Data Generation to Big Data Applications”,
in 31st IEEE/ACM International Conference on Automated Software Engineering (ASE
2016), Sep. 2016, pp. 637-647. https://doi.org/10.1145/2970276.2970325
82