Indización de grafos RDF desde un SPARQL Endpoint

Abstract

Las bibliotecas han tenido un valor preponderante en la sociedad. Esto se debe a que éstas atesoran el conocimiento científico de la humanidad. En el escenario actual, las bibliotecas se agrupan en tres grandes categorías: convencionales, digitales e híbridas. En el caso de las bibliotecas digitales, éstas coleccionan, almacenan y distribuyen la información en soporte digital. La aplicación de los principios para la publicación de contenido en la Web, ha permitido una mejora en el procesamiento y gestión de la información. En este sentido, los datos enlazados se han convertido en un área de investigación activa en los últimos años, específicamente ha cobrado importancia la publicación de metadatos bibliográficos, según alguna de las serializaciones del formato RDF. Sin embargo, el contenido web publicado siguiendo esta iniciativa, no puede ser consumido por los usuarios que desconocen las tecnologías de la Web Semántica (RDF, SPARQL, etcétera), debido a que se requiere la comprensión de la estructura, naturaleza y forma de consultar los datos. El grupo de investigación de web semántica de la Universidad de las Ciencias Informáticas desarrolla un proyecto de investigación que genera grafos RDF con metadatos bibliográficos que son almacenados para su posterior uso en un almacén de tripletas. Estos almacenes no se encuentran optimizados para la realización de consultas formuladas por los usuarios en tiempos cercanos al real, por lo que se hace necesario contar con estructuras de datos optimizadas (índices) para disminuir dicho tiempo y resolver los problemas de búsqueda y recuperación de datos en grandes bases de datos. En esta investigación se propone un componente de software que integra un servidor de indización con tripletas RDF existentes en un almacén de tripletas, así como un prototipo funcional para la búsqueda textual y facetada sobre los datos en el índice.

Libraries have played a significant value in society. This is because they treasure the scientific knowledge of humanity. In the current scenario, libraries are grouped into three broad categories: conventional, digital and hybrid. In the case of digital libraries, they collect, store and distribute digital information. The application of the principles for publishing content on the Web, has allowed an improvement in processing and information management. In this sense, the linked data have become an area of active research in recent years has gained importance specifically publishing bibliographic metadata, according to one of the RDF serialization formats. However, the web content published following this initiative cannot be consumed by users who are unaware Semantic Web technologies (RDF, SPARQL, etc.), because the understanding of the structure, nature and form of consultation is required the data. The research group semantic web University of Computer Science develops a research project that generates RDF graphs with bibliographic metadata that is stored for later use in a store triples. These stores are not optimized for performing in near time the actual queries submitted by users, so it is necessary to have structures optimized data (indices) to decrease this time and solve the problems of search and retrieval in large databases. In this research, a software component that integrates an indexing server with existing RDF triples in a triplestore and a functional prototype for textual and faceted on the data in the search index is proposed.