Recognizing, Naming and Exploring Structure in RDF Data

The Resource Description Framework (RDF) is the de facto standard for representing semantic data, employed e.g., in the Semantic Web or in data-intense domains such as the Life Sciences. Data in the RDF format can be handled efficiently using relational database systems (RDBMSs), because decades of research in RDBMSs led to mature techniques for storing and querying data. Previous work merely focused on the performance gain achieved by leveraging RDBMS techniques, but did not take other advantages, such as providing a SQL-based interface to the dataset and exposing relationships, into account. In contrast, our approach is the first to strive for a complete transformation of RDF data into the relational data model. For that purpose, inherently unstructured RDF data is structured by means of semantic information, and relationships between these structures are extracted. Moreover, names for structures, their attributes, and relationships are automatically generated. Subsequently, using the relational schema thus created, RDF data is physically stored in efficient data structures. Afterwards, it can be queried with high performance and in addition – because of the generated names – be presented to users. Our experiments show that structures exist even within Web-crawled RDF data which is considered dirty. Using our algorithms, we can represent 79% of the DBpedia dataset (machine readable part of Wikipedia) by using only 140 tables. Furthermore, our survey shows that the generated table names get an average score of 4.6 on a 5-point Likert scale (1 = bad, 5 = excellent). Our approach therefore enables users to gain a fast and simple overview over large amounts of seemingly unstructured RDF data by viewing the extracted relational model. Zusammenfassung Das Resource Description Framework (RDF) ist der de-facto-Standard zur Repräsentation von semantischen Daten, wie sie zum Beispiel im Semantic Web oder in datenintensiven Forschungsbereichen wie den Life Sciences verwendet werden. Daten im RDF-Format lassen sich effizient in relationalen Datenbanksystemen verarbeiten, weil diese seit Jahrzehnten entwickelten Systeme über ausgereifte Techniken zur Datenspeicherung und -abfrage verfügen. Bisherige Arbeiten verwenden relationale Datenbanksysteme lediglich zur Steigerung der Performanz von Abfragen über RDF-Daten. Weitere Vorteile dieser Systeme, etwa das Herausstellen von Beziehungen und das Anbieten einer SQL-Schnittstelle zu den Daten, wurden bislang nicht beachtet. Unser Ansatz strebt erstmals eine vollständige Transformation der RDF-Daten in das relationale Datenmodell an. Dazu werden die inhärent unstrukturierten RDF-Daten mit Hilfe semantischer Informationen strukturiert und Beziehungen zwischen den Strukturen extrahiert. Sowohl für Strukturen als auch für ihre Attribute und Beziehungen werden unter Zuhilfenahme semantischer Informationen Namen erzeugt. Mittels des so generierten relationalen Schemas werden RDF-Daten in effizienten Datenstrukturen gespeichert, können performant abgefragt werden und zusätzlich, aufgrund der vergebenen Namen, auch Nutzern präsentiert werden. Unsere Experimente zeigen, dass selbst per Webcrawler gesammelte „dreckige“ Daten, Strukturen enthalten. Mit unseren Algorithmen können 79% der DBpedia-Daten (DBpedia enthält den maschinenlesbaren Teil der Wikipedia) auf nur 140 Relationen abgebildet werden. Die automatisch generierten Tabellenamen wurden im Durchschnitt mit 4,6 auf einer 5-Punkt-Likert-Scala, bei der 1 die schechteste und 5 die beste Bewertung darstellt, bewertet. Somit ermöglicht unser Ansatz einen einfachen Überblick über große Mengen eigentlich unstrukturierter RDF-Daten.