DBpedia Semantische Infrastruktur

DBpedia

DBpedia extrahiert automatisch strukturierte Daten aus den Infoboxen, Kategorien und Abstracts von Wikipedia-Artikeln und macht diese als RDF-Triples verfügbar. Das Projekt bildet einen der zentralen Knotenpunkte der Linked Open Data Cloud und verknüpft seine Entitäten über owl:sameAs-Links mit zahlreichen anderen Wissensbasen wie Wikidata, GeoNames und Freebase. DBpedia enthält Beschreibungen für mehrere Millionen Entitäten in über 100 Sprachen. Über einen öffentlichen SPARQL-Endpunkt können die Daten abgefragt werden. In der semantischen Infrastruktur demonstriert DBpedia, wie unstrukturiertes enzyklopädisches Wissen in eine maschinenlesbare Form überführt werden kann. Das Projekt hat wesentlich zur Entwicklung und Verbreitung von Linked-Data-Technologien beigetragen. Für die Entitätserkennung und Disambiguierung liefert DBpedia umfangreiche Kontextinformationen, die Suchmaschinen und KI-Systeme für das Verständnis von Texten nutzen.

DBpedia: Wie aus Wikipedia-Infoboxen ein Wissensgraph wurde

DBpedia ist eines der überzeugendsten Argumente dafür, dass strukturierte Daten aus unstrukturierten Quellen entstehen können, wenn man die richtigen Extraktionsregeln hat.

Der Ausgangspunkt ist Wikipedias Infobox-System. Jeder Wikipedia-Artikel über eine Person, eine Stadt oder ein Unternehmen enthält typischerweise eine Infobox mit Schlüssel-Wert-Paaren: Geburtsort, Einwohnerzahl, Gründungsjahr. DBpedia extrahiert diese Daten systematisch und überführt sie in RDF-Tripel nach dem Schema-of-the-Day, also auf Basis von Mappings, die von einer Community gepflegt werden.

Das Ergebnis ist ein Wissensgraph mit Hunderten Millionen Fakten über Millionen Entitäten, verknüpft über owl:sameAs-Beziehungen mit Wikidata, GeoNames, Freebase und anderen Linked-Data-Quellen. Der DBpedia SPARQL-Endpunkt ermöglicht komplexe Abfragen über dieses Netz.

Die Schwäche liegt in der Datenbasis: Wikipedia ist nicht kuratiert wie eine Enzyklopädie im klassischen Sinne, sondern offen bearbeitbar. Fehler in Infoboxen propagieren in DBpedia. Mapping-Konflikte entstehen, wenn verschiedene Sprachversionen dieselbe Eigenschaft unterschiedlich benennen.

Dennoch ist DBpedia für viele semantische Anwendungen der einfachste Einstieg in Linked Data, weil die Abdeckung und die Dokumentation gut sind.

DBpedia in der Praxis: Entitätsverknüpfung und Wissensbasis

DBpedia ist kein abstraktes Forschungsobjekt. Es ist eine praktisch einsetzbare Wissensbasis, die in vielen semantischen Infrastrukturen bereits heute produktiv genutzt wird.

Der häufigste Anwendungsfall ist Entity Linking. Wenn ein NLP-System im Text die Phrase Angela Merkel erkennt, kann es diese Erwähnung mit der DBpedia-URI http://dbpedia.org/resource/Angela_Merkel verknüpfen. Damit wird aus einem Textreferenz ein strukturierter Verweis auf einen Wissensgraphen-Knoten mit Geburtsdatum, Partei, Amtszeit und Beziehungen zu anderen Entitäten.

Für Content-Klassifikation nutzen Systeme DBpedias Kategorienbaum. Artikel, die Entitäten aus der Kategorie Politiker enthalten, werden automatisch politischen Themen zugeordnet, ohne dass ein Klassifikationsmodell trainiert werden muss.

Ein konkretes Muster: In einer semantischen Suchinfrastruktur werden Artikel vor der Indexierung mit DBpedia-URIs angereichert. Die Suche nach Kanzlerin findet dann auch Artikel, in denen Merkel namentlich erwähnt ist, weil beide auf denselben Graphknoten verweisen.

Diese Art von Wissensgraphen-gestützter Suche übertrifft reine Keyword-Suche in Präzision und Recall. DBpedia ist dabei oft der einfachste Einstieg, weil SPARQL-Endpunkt und Dokumentation frei zugänglich sind.