Comment publier les données des musées dans le Linked Open Data ?

Cet article décrit le processus de publication des données de l’ensemble de la collection du Smithsonian American Art Museum  (SAAM), soit 41000 objets et 8000 artistes, dans le web des données liées et ouvertes.

Les chercheurs Pedro Szekely, Craig A. Knoblock, Fengyu Yang, Eleanor E. Fink, Shubham Gupta, Rachel Allen et Georgina Goodlander ont travaillé sur les problématiques suivantes :

  • Comment transformer la base de donnée  du SAAM en RDF ?

  • Comment lier le jeu de données du SAAM à d’autres hubs du LOD comme DBpedia et Getty vocabularies ?

  • Comment permettre au personnel du SAAM de vérifier que l’information est conforme aux standards du Smithsonian ?

Modéliser, Lier, Vérifier :

Les musées, à travers le monde, ont construit des bases de données avec des méta-données sur des millions d’objets, leur histoire, les personnes qui les ont créés et les entités qui les représentent, mais ces données sont stockées dans des bases de données propriétaires et ne sont pas immédiatement utilisables. Récemment, les musées ont adopté le web sémantique dans l’intention de rendre ces données accessibles.

Parmi les projets notables du Linked Open Data, on peut citer The Europeana project qui a publié les données de 1500 musées, librairies et archives en Europe, le musée d’Amsterdam qui a publié les données de 73000 objets et le LODAC museum qui a publié les données de 114 musées au Japon.

Mais l’expérience a montré que publier les données des musées dans le web des données liées et ouvertes était difficile : les bases de données sont larges et complexes, l’information est très variée d’un musée à l’autre et il s’avère difficile de les relier à d’autres jeux de données.

Publier les données d’un musée dans le web des données liées et ouvertes comporte trois étapes :

1/ Convertir les données en triplets RDF :

Structurer les métadonnées des œuvres d’art en RDF implique la sélection d’un vocabulaire pour modéliser le domaine. C’est un processus compliqué car beaucoup de musées ont des données très structurées et qui incluent souvent des attributs uniques ou spécifiques à un musée en particulier. Les données présentent également de nombreuses incohérences parce que des personnes différentes les ont maintenues à travers le temps.

La conversion des données en RDF étaient typiquement effectuée par des règles ou des programmes écrits manuellement.

a – Créer une ontologie pour les données du SAAM :

Pour créer une ontologie pour les données du SAAM, les chercheurs sont partis de l’European Data Model (EDM), le métamodel utilisé dans l’Europeana project pour représenter les données des institutions culturelles européennes.

« EDM est basé sur OWL qui réutilise la terminologie d’ontologies largement connues : SKOS pour la classification des œuvres d’arts, artistes et lieux, Dublin core pour les données des pierres tombales (tombstone) FOAF et RDA Group 2 Elements pour les informations biographiques, suivant l’exemple du Musée d’Amsterdam, ORE de l’Open Archives Initiative, utilisé par EDM pour agréger les données des objets.

L’ontolgie du SAAM prolonge EDM avec l’introduction de sous-classes et de sous-propriétés pour représenter les attributs spécifiques au SAAM (comme les ID des objets, par exemple) et inclus des classes et des propriétés de schema.org pour représenter les données géographiques (villes, états, pays), car les chercheurs ne trouvaient pas d’ontologie dans la communauté du patrimoine culturel pour représenter les données géographiques.

rdf.png

Figure 1 :

Les classes sont représentées dans les ovales et les littéraux sont dans les carrés verts, les arcs représentent les relations (les propriétés). Les carrés représentent le nombre d’instances générées dans les jeux de données de SAAM. Les superclasses sont en italique et toutes les propriétés de l’ontologie SAAM sont des sous-classes des classes des vocabulaires standards.

b – Karma pour automatiser le processus de transformation des données du SAAM en RDF :

L’outil Karma a été développé par les chercheurs dans un travail précédent pour transformer les données structurée en RDF selon l’ontologie que l’utilisateur choisit. Le but était de permettre à la personne qui manipule les données de contourner la complexité des technologies (SQL, SPRQL, graph patterns XSLT, Xpath…)

Karma automatise des parties signifiantes du processus en fournissant une interface graphique dans laquelle les utilisateurs visualisent la modélisation proposée par l’algorithme et peuvent l’ajuster si nécessaire.

L’approche de Karma inclut deux étapes entrelacées :

1 – Transformer les colonnes en classes en assignant des types d’entités aux colonnes de données :

Le mappage des colonnes dans l’ontologie est un défi parce que l’ontologie du SAAM contient 407 classes et 105 propriétés de données. Le choix est donc dur. Karma résout le problème en apprenant l’affectation de types sémantiques aux colonnes. (Machine learning)

figure 2.pngFigure 2  :

Les utilisateurs définissent les types d’entités pour les « constituentid » ( des personnes ou des institutions) et placent les colonnes dans l’une des tables du SAAM. L’image montre la situation dans laquelle Karma a appris plusieurs types d’entités. La partie de droite montre les suggestions pour “constituentid” et les objets.

Karma utilise le modèle «Conditional random field » (CRF), – un framework basé sur des calculs de probabilités utilisé pour l’étiquetage et la segmentation des données structurées-  pour apprendre l’affectation des types d’entités aux colonnes de données, suivant les spécifications données par l’utilisateur et pour suggérer automatiquement des types pour les colonnes de données non affectées. Lorsque le type d’entité désiré n’est pas dans les suggestions, l’utilisateur peut faire une recherche dans l’ontologie pour trouver le type approprié. Karma met à jour le CRF après chaque affectation manuelle.

2- Connecter les classes en spécifiant les relations entre les différents types d’entités :

Relier les classes est aussi un défi car il existe 229 propriétés d’objets dans l’ontologie.

figure3.png

Figure 3 :

Karma connecte automatiquement les types d’entités pour les colonnes tel que définit par les utilisateurs. Dans le premier écran, l’utilisateur affecte un type pour “consitutentid”. Dans le second écran, l’utilisateur affecte un type pour un lieu et Karma ajoute automatiquement au modèle la propriété associatedPlace pour connecter la nouvelle propriété SaamPlace à celle qui existe déjà SaamPerson. De la même façon lorsque l’utilisateur spécifie un type pour la colonne « ville », Karma ajoute automatiquement la propriété address. Chaque fois que l’utilisateur modélise le type d’une colonne, Karma le connecte au reste du modèle.

Une fois l’affectation des ontologies et des types terminée, Karma créé un graphe RDF qui définit l’espace de tous les mappages possibles entre les données et les ontologies. Les noeuds de ce graphe représentent les propritétés (les relations). Karma calcule alors l’arbre minimal qui connecte tous les types d’entités pour que ce soit le modèle le plus concis possible et qui tient en compte de toutes les colonnes des données source, ce qui représente un bon point de départ pour affiner le modèle.

Parfois plusieurs arbres minimaux sont générés mais la représentation correcte des données est définie par un arbre non-minimal. Dans ce cas, Karma permet à l’utilisateur, à travers l’interface, de sélectionner les relations qu’il souhaite voir dans son graphe et calcule un nouvel arbre minimal qui inclut les relations spécifiées par l’utilisateur.

Evaluation :

Les chercheurs ont évalué l’efficacité de Karma à modéliser 8 tables (29 colonnes) avec l’ontologie SAAM. Ils ont fait tourner l’algorithme une première fois, puis une seconde en utilisant les types sémantiques appris lors du 1er tour.

Alors même que le chercheur qui a effectué cette opération connaissait les propriétés et les classes à utiliser, lorsque Karma ne les suggérait pas, il a utilisé le moteur de recherche pour les trouver dans l’ontologie plutôt que de les saisir à la main. Cela a pris 18 minutes pour convertir toutes les tables en triplets RDF pour le premier tour et beaucoup moins de temps pour le second avec les suggestions automatiques. L’évaluation a montré que l’algorithme de Karma était très efficace pour affecter des relations entre classes : 85 % de taux de précision au tour 1 etet 91 % au second tour.

2/ Lier les données à des sources externes :

Une fois la structuration des données en RDF effectuée, l’étape suivante est de faire des liens à partir de ces données à d’autres repositories comme Dbpedia ou GeoName.

Dans les précédents travaux, les développeurs définissaient les règles pour le mappage. Et parce que c’est une tâche difficile, le nombre de liens était très modeste par rapport au total des données publiées. Or, les données RDF ne sont bénéfiques au SAAM et à la communauté que si elles sont liées à d’autres jeux de données utiles.

Les chercheurs se sont focalisés sur la connexion de la base SAAM artists à Dbpedia parce que ça ouvrait une porte à d’autres sources de données liées et permettait de faire des applications innovantes. Ils ont également relier SAAM artists au Getty List of Artist Names (ULAN ) et au jeu de données «artistes» du Rijksmuseum d’Amesterdam.

Le personnel du SAAM a manuellement verifié tous les liens proposés avant de les intégrer dans le jeu de données.

Pour faciliter le processus de vérification, les chercheurs ont mis au point des algorithmes très précis qui croisent les noms des personnes, y compris dans leurs variantes, avec leurs dates de naissance et de mort. Ce qui représentait un défi car les noms des personnes sont souvent enregistrés de façon différentes, beaucoup de personnes peuvent avoir un même nom et les dates de naissance et de mort sont parfois manquantes ou incorrectes.

L’approche repose sur un l’utilisation d’une méthode de mesure de similarité : la distance de Jaro-Winkler, utilisée dans la détection de doublons et particulièrement adaptée au traitement de chaînes courtes comme des noms ou des mots de passe.

Plus la mesure de Jaro-Winkler entre deux chaînes est proche de 1, plus elles sont similaires. Le résultat  est normalisé de façon à avoir une mesure entre 0 et 1, le zéro représentant l’absence de similarité.

Evaluation :

Pour évaluer leur algorithme, les chercheurs ont choisi un échantillon de 535 personnes dans la base de données du SAAM (ceux dont les noms commencent par A). Ils ont effectué une recherche manuelle dans Wikipedia en utilisant toutes les variantes des noms et ont vérifié la correspondance entre le texte de l’article et tous les champs du SAAM, incluant la biographie. Les 176 correspondances trouvées dans Dbpedia ont été utilisées comme échantillon d’évaluation, le perfect mapping qui leur a servit de référence.

La méthode d’évaluation a pris en compte les notions de rappel, de précision et le f-score.

Le rappel est le nombre de correspondances correctement trouvées divisé par le nombre de correspondances correctes du perfect mapping. Le taux de rappel sera élevé si le nombre de correspondances trouvées est proche du nombre de correspondances présentes dans le perfect mapping.

La précision est  le nombre de correspondances correctes divisé par le nombre de toutes les correspondances trouvées. Elle est élevée lorsque peu de correspondances inutiles sont proposées par le système. Ce dernier peut être donc considéré comme « précis ».

La f-mesure ou f-score est la pondération des deux mesures précédentes.

figure4.png

Figure 4  :

Les résultats de l’évaluation :  le F-score le plus élevé .96 a une précision de .99 et un rappel de .94 (166 résultats corrects et 1 résultat incorret). Plus le score de correspondance décroit, plus la précision en pâtit (plus de résultats incorrects), mais le rappel s’améliore (plus de liens identifés).

Les chercheurs ont lié l’ensemble du jeu de donnée en utilisant un score de correspondance de 0,9995. La perte de précision est relativement faible et l’étape de curation va permettre d’identifier aisément le petit nombre d’erreur et les corriger. Ce processus a permis d’identifier 2807 liens à Dbpedia, 1759 liens vers Getty ULAN et 321 liens vers Rijksmuseum.

3/ La curation des données liées :

Cette étape permet de s’assurer que les informations publiées et les liens faits vers d’autres sources de données dans le LOD sont précis.

Parce que la curation est un travail laborieux, cette étape a était largement ignorée dans les travaux précédents et le résultat est que, souvent, les liens sont imprécis, faux.

Le premier aspect de la curation de donnée est de s’assurer de la validité du RDF. Cela peut être fait par le personnel du musée mais nécessite de comprendre les relations entre le vocabulaire RDF et les bases de données sous-jacentes.

Karma aide le personnel du musée à comprendre schématiquement ces relations en montrant graphiquement comment les colonnes de la base de donnée sont transformées en classes et en propriétés dans l’ontologie (Figure 2 et 3 ). Le but des chercheurs est de permettre aux employés du SAAM d’utiliser seuls Karma pour affiner le mappage.

Karma permet à l’utilisateur de cliquer dans une cellule pour inspecter le RDF qui a été généré et de saisir les relations au niveau des données. Ces représentations graphiques permettent également au personnel du SAAM et aux chercheurs dans le domaine du web sémantique de communiquer effectivement lorsqu’ils affinent l’ontologie et le mappage des données.

Le second aspect du processus de curation est de s’assurer que les liens vers les sources externes sont corrects. Le système enregistre la provenance de chaque lien pour que les utilisateurs et les machines puissent les vérifier lorsque la source des données ou l’algorithme change. Les chercheurs utilisent PROV ontology pour représenter la provenance des données pour chaque lien incluant les révisions, les scores de correspondance, la date de création et les auteurs ( humains ou pas ) et les versions.

Les utilisateurs peuvent effectuer ces opérations à partir de l’interface de Karma qui leur permet de visualiser et d’éditer le RDF.

figure5.png

Figure 5 :

Chaque rangée représente un lien. La première cellule montre l’enregistrement du SAAM et la partie inférieure montre les liens vers les informations pour les sources externes. La colonne suivante montre la valeur de la donnée qui a été utilisée pour créer le lien et l’historique de toutes les révisions. La dernière colonne comporte des boutons qui vont permettre à l’utilisateur de reviser les liens et fournir des commentaires.

 Le personnel du SAAM a utilisé cette interface pour vérifier l’ensemble des 2807 liens vers Dbpedia pour 17 millions items de 1500 institutions culturelles.

 

Conclusion :

Dans ce travail, les chercheurs sont allés encore plus loin de ce qu’ils avaient prévus. Ils ont développé une approche qui permet le mappage de sources complexes (bases de données relationnelles et hiérachiques) dans des ontologies riches. Une approche qui a permis de sauvegarder toute la richesse des données originales. Grâce au système de correspondance qu’ils ont mis en place, ils ont réussi à lier plus de données que ce qu’il savaient prévus. L’outil de curation qu’ils ont mis en place permet à un expert du musée de réviser, valider ou rejeter un lien produit automatiquement.

 Les gains pour les musées  ?

Permettre l’accès à de l’information qui n’était pas accessible avant, publier les données du musées dans le web des données et fournir un outil permettant aux personnels des musées de faire ce travail eux-même, ce qui simplifie grandement le problème de la transformation des données brutes en RDF de bonne qualité.

 Les chercheurs planifient aussi d’explorer des nouvelles voies permettant d’utiliser le web des données liées et ouvertes pour créer des applications comme EveythingIs Connected qui ont beaucoup de potentiel pour les musées, les étudiants, les chercheurs mais aussi pour chacun.

Traduit de l’anglais par Monia Zergane


Vous aimerez aussi...

2 réponses

  1. 29/01/2015

    […] Cet article décrit le processus de publication des données de l'ensemble de la collection du Smithsonian American Art Museum (SAAM), soit 41000 objets et 8000 artistes, dans le web des données liées et ouvertes.  […]

  2. 10/02/2015

    […] Cet article décrit le processus de publication des données de l'ensemble de la collection du Smithsonian American Art Museum (SAAM…  […]

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *