context-rich data

Одна из основных проблем обмена информацией является неоднозначность семантики, которая используется при записи информации в виде набора данных. Здесь мы попробуем показать возможность “обогащения” данных сведениями о контексте. Такое “обогащение” позволяет в значительной степени преодолеть трудности интерпретации семантики данных при попытках извлечь из них информацию. Именно для создания компактных инструкций превращения пользовательских данных в “семантически-обогащенные” RDF-представления разработан язык CCCR.

Рассмотрим описание набора некоторых сущностей, который представлен в виде иерархической структуры. Например, таблица представленная в виде дерева:

    <file>
        <table label="Учебные планы">
                <row>
                        <cell label="№ пп">1</cell>
                        <cell label="Год введения">2021</cell>
                        <cell label="Уровень">НО</cell>
                        <cell label="Профиль">базовый</cell>
                </row>
                <row>
                        <cell label="№ пп">2</cell>
                        <cell label="Год введения">2020</cell>
                        <cell label="Уровень">СО</cell>
                        <cell label="Профиль">гуманитарный</cell>
                </row>
                <row>
                        <cell label="№ пп">3</cell>
                        <cell label="Год введения">2021</cell>
                        <cell label="Уровень">СО</cell>
                        <cell label="Профиль">базовый</cell>
                </row>
        </table>
    </file>

Это фрагмент реестра учебных планов конкретной школы. Реестр содержит описания сущностей - учебных планов. У каждой сущности (в данном случае - учебного плана) есть набор признаков. Эти признаки имеют имена: “№ пп”, “Год введения”, “Уровень”, “Профиль”.

В примере нам известен тип (класс) сущностей - учебные планы, а имена признаков имеют человекочитаемое представление. Благодаря этому мы можем утверждать, что нам известен контекст для интерпретации. В том числе имя признака “Уровень” мы интерпретируем как “уровень образования”, которому относится учебный план. Знание контекста дает нам возможность понимать и значения признака “уровень образования”: “НО” - начальное образование, “СО” - среднее образование. Таким образом, у нас есть возможность содержательно интерпретировать весь представленный набор данных, то есть извлечь информацию.

Но приведенная выше запись может быть представлена в другой форме с гораздо менее выразительной семантикой. Например, так:

  <table>
    <up>
        <n>1</n>
        <y>2021</y>
        <u>НО</u>
        <p>базовый</p>
    </up>
    <up>
        <n>2</n>
        <y>2020</y>
        <u>СО</u>
        <p>гуманитарный</p>
    </up>
    <up>
        <n>3</n>
        <y>2021</y>
        <u>СО</u>
        <p>базовый</p>
    </up>
  </table>

Для интерпретации такого набора данных уже потребуются более подробные пояснения. И вообще подобных способов записи информации об одной и той же сущности может быть сколько угодно много. При этом следует учитывать, что в реальных случаях массивы данных содержат информацию о десятках и сотнях классах сущностей с сотнями или тысячами признаков (например, фрагмент информационной системы вуза с реестром контингента учащихся). Поэтому поддержание реальной базы данных в “жизнеспособном состоянии” требует не только ввода данных, но и ведения исчерпывающего массива из метаописаний, которые выполняют роль связующего звена между конкретной семантикой и контекстом. Без такого метаописания (“привязки к контексту”) оперировать данными невозможно - их информационная ценность как шенноновском, так и в интуитивном понимании смысла слова “информация”, равна нулю.

Модель RDF позволяет организовывать данные так, чтобы для извлечения информации не требовалось знание специфического контекста, в котором эта информация создавалась. Можно сказать, что контекст “помещен” внутрь самих данных.

В этом, пожалуй, состоит основная задача RDF. Вторая задача RDF скорее уже вспомогательно-техническая - принять соглашение о способе представления такой (“обогащенной” контекстом информации). В концепции RDF для представления информации используется конструкция, которую называют триплет. Триплет, как следует из термина, состоит из трех частей: “субъект”-“предикат”-“объект”. “Субъект” - знаковое обозначение сущности (ее уникальное имя, глобальный идентификатор сущности), “предикат” - знаковое представление имени признака, “объект” - значение признака. И “субъект”, и “предикат” должны быть уникальным в масштабах информационного Универсума - “информационной Ойкумены”. “Объект” - значение признака - может быть одним из двух типов: строка символов или идентификатор сущности (ссылка на сущность).

Рассмотрим преобразование иерархического представления данных в RDF-представление. В нашем примере описаны три сущности одного типа - учебные планы. Описание одной сущности выглядит так:

    <row>
        <cell label="№ пп">1</cell>
        <cell label="Год введения">2021</cell>
        <cell label="Уровень">НО</cell>
        <cell label="Профиль">базовый</cell>
    </row>

Как мы отмечали выше, в нашем примере сущность - учебный план - имеет четыре признака. Содержательно значимыми признаками являются три их них: “Год введения”, “Уровень”, “Профиль”. Признак с именем “№ пп” в таблице выполняет роль идентификатора. Таким образом, каждый учебный план в нашей модели может быть описан тремя триплетами примерно так:

    <1> - <Год введения> - "2021"
    <1> - <Уровень> - "НО"
    <1> - <Профиль> - "базовый"

По принятым соглашениям при записи триплетов в виде текста идентификаторы сущностей заключают в треугольные скобки <...>. Так как признаки также являются сущностями, то и их имена (идентификаторы) мы заключаем в треугольные скобки как и идентификатор (имя) описываемой сущности. Строки традиционно заключают в кавычки. Прочитать такую запись первого триплета можно следующим образом: “Сущность с идентификатором <1> имеет признак <Год введения="">, значение которого равно "2021".

Такая запись без дополнительных сведений о контексте дает мало содержательной информации. Собственно вопрос интеграции контекста в “внутрь” данных мы рассмотрим после описания основ представления RDF-триплетов в машиночитаемом виде. Забегая вперед скажем, что этот вопрос решается не на уроне синтаксиса, а на уровне создаваемых с помощью него конструкций. Поэтому естественно, что запись RDF не обязательно содержит информацию о контексте, но в таком случае преимущества ее использования, естественно, теряются.

Для машинной обработки триплетов приняты стандарты их записи - сериализации. Стандартов сериализация RDF-триплетов принято несколько, и каждый из них имеет перед конкурентами как преимущества, так и недостатки. Здесь мы будем использовать только один формат машиночитаемого представления RDF-триплетов - RDF/XML.

Приведенная выше запись триплетов в формате RDF/XML будет выглядеть примерно так:

    <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
        <rdf:Description rdf:about="1">
            <ex:годВведения xmlns:ex="https://example.com/">2021</ex:годВведения>
            <ex:уровеньОбразования xmlns:ex="https://example.com/признаки/">НО</ex:уровеньОбразования>
            <ex:профильУчебногоПлана xmlns:ex="https://example.com/признаки/">базовый</ex:профильУчебногоПлана>
        </rdf:Description>
    </rdf:RDF>

Фраза “запись выглядит примерно так” указывает на то, что один и тот же набор триплетов может быть сериализован в RDF/XML разными способами, сохраняя при этом содержание информации, которую он несет.

В частности, в данном случае было нашим выбором установить идентификаторы для обозначения признаков (задать имена признаков). <ex:годВведения xmlns:ex="https://example.com/признаки/">2021</ex:годВведения> предполагает, что свойство с именем label="Год введения" приведено к ex:годВведения в пространстве имен (namespace) https://example.com/признаки/. Само пространство имен https://example.com/признаки/ также является нашим произвольным выбором.

Конструкция rdf:about="1" как можно понять является указанием на идентификатор сущности (субъект в терминологии RDF). Очевидно, что идентификатор "1" трудно считать уникальным. Для решения этой проблемы в концепции RDF рекомендуется использовать для каждой сущности уникальный глобальный идентификатор - URI.

“Глобальность” предполагает независимость от контекста. В приведенном выше примере "1" является уникальным идентификатором только в данной таблице, но ни как не в масштабах “Универсума”. Поэтому правильным вариантом будет установка глобального идентификатора URI, например, так rdf:about="https://example.com/сущности/учебныеПланы#1" или rdf:about="https://example.com/сущности/учебныеПланы#2021-НО-базовый", где https://example.com/сущности/учебныеПланы# - идентификатор (имя) набора сущностей (списка учебных планов), а 2021-НО-базовый - уникальный идентификатор конкретного учебного плана в наборе (списке планов).

Кроме того, значимым условием правильной интерпретации данных является знание, к какому классу онтологии относится описываемая сущность. В RDF для этого приняты особые признаки сущностей, в частности, такой rdf:type - он указывает к какому типу (классу) относится данная сущность. В нашем примере тип (класс) сущности можно обозначить как “учебный план”. Тогда дополнительный признак может быть <rdf:type resource="https://example.com/онтология/УчебрныйПлан">. Теперь “обогащенное” RDF-представление наших триплетов для одного учебного плана может выглядеть так:

    <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
        <rdf:Description rdf:about="https://example.com/сущности/учебныеПланы#2021-НО-базовый">
            <rdf:type resource="https://example.com/онтология/УчебныйПлан">
            <ex:годВведения xmlns:ex="https://example.com/признаки/">2021</ex:годВведения>
            <ex:уровеньОбразования xmlns:ex="https://example.com/признаки/">НО</ex:уровеньОбразования>
            <ex:профильУчебногоПлана xmlns:ex="https://example.com/признаки/">базовый</ex:профильУчебногоПлана>
        </rdf:Description>
    </rdf:RDF>

Отметим, что типы (классы) сущностей сами являются сущностями и следовательно могут быть описаны. В описание типов (классов) кроме человеко-читаемых пояснений можно включать связи с более общими типами - “родительскими классами”. Это позволяет сроить развитые онтологии и таксономии. В нашем примере класс https://example.com/онтология/УчебныйПлан может быть подклассом более общего класса “документы” - https://example.com/онтология/Документ.

Но что в указанной записи значит “НО” в значении признака ex:уровеньОбразования. Интуитивно можно предположить, что “НО” обозначает “начальное образование”, …

Для исключения неопределенности мы можем в качестве значения признака ex:уровеньОбразования использовать указатель (идентификатор) на сущность, которая в свою очередь содержит описание соответствующего уровня образования <ex:уровеньОбразования resource="https://example.com/сущности/уровниОбразования#НО"/>. Таким же образом, значение года введения учебного плана и его профиль можно обратить в указатели на соответствующие сущности. В этом случае мы можем получить и сведения о сущностях, с которыми связан соответствующий учебный план. Например, для уровня образования мы можем выяснить полное его название, а также продолжительность в годах и нормативный акт, которым это установлено и т.д.

Вот как примерно выглядит схема (инструкция) на языке CCCR, которая позволяет превратить таблицу со списком учебных планов школы в “обогащенное” RDF-представление.

Мы также в нашем информационном “Универсуме” можем установить описания признаков, т.е. ввести признаки признаков. Это могут быть и пояснения для лучшей человекочитаемости, и, что важно, инструкции для машинной обработки значений признаков. В частности, можно установить критерии валидации значений признаков. Например, для года введения учебного плана можно установить, что это должно быть целое положительное число не меньше, чем 2010. Кроме того, можно указать, что данный признак является эквивалентом (“same as…”) признака из какого-то внешнего общепринятого словаря (owl:sameAs):

    <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
        <rdf:Description rdf:about="https://example.com/признаки/годВведения">
            <rdf:type resource="http://www.w3.org/1999/02/22-rdf-syntax-ns#Property">
            <rdfs:label xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#">Год введения введения документа</rdfs:label>
            <owl:sameAs xmlns:owl="http://www.w3.org/2002/07/owl#" resource="https://schema.org/copyrightYear"/>
            <rdfs:range xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" resource="http://www.w3.org/2001/XMLSchema#positiveIteger"/>
            <rdfs:range xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#">
                <rdf:Description>
                    <xs:minInclusive xmlns:xs="http://www.w3.org/2001/XMLSchema">2010</ex:minInclusive>
                </rdf:Description>
            </rdfs:range>
        </rdf:Description>
    </rdf:RDF>