Your SlideShare is downloading. ×
  • Like
ESWC SS 2013 - Tuesday Tutorial 2 Maribel Acosta and Barry Norton: Interaction with Linked Data
Upcoming SlideShare
Loading in...5

Thanks for flagging this SlideShare!

Oops! An error has occurred.


Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

ESWC SS 2013 - Tuesday Tutorial 2 Maribel Acosta and Barry Norton: Interaction with Linked Data



Published in Technology , Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads


Total Views
On SlideShare
From Embeds
Number of Embeds



Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

    No notes for slide


  • 1. Interaction  with  Linked  Data   Presented  by:   Maribel  Acosta   Barry  Norton  
  • 2. Motivation:  Music!   2   Visualiza3on   Module   Metadata   Streaming  providers   Physical  Wrapper   Downloads   Data  acquisi3on   R2R  Transf.  LD  Wrapper   Musical  Content   Applica3on   Analysis  &   Mining  Module   LD  Dataset  Access   LD  Wrapper   RDF/   XML   Integrated   Dataset   Interlinking   Cleansing   Vocabulary   Mapping   SPARQL   Endpoint   Publishing   RDFa   Other  content   EUCLID  –  Interac3on  with  Linked  Data  
  • 3. Motivation:  Music!  (2)   EUCLID  –  Interac3on  with  Linked  Data   3   •  Our  aim:  build  a  music-­‐based  portal  using  Linked   Data  technologies   •  So  far,  we  have  studied  different  mechanisms  to   consume  Linked  Data:   •  Execu3ng  SPARQL  queries     •  Dereferencing  URIs   •  Downloading  RDF  dumps   •  Extrac3ng  RDFa  data     •  The  output  of  these  mechanisms  corresponds  to   data  in  machine-­‐readable  formats   CH  2   CH  3   CH  1  
  • 4. Examples  of  machine-­‐readable  output:   Motivation:  Music!  (3)   EUCLID  –  Interac3on  with  Linked  Data   4  
  • 5. Visualiza=ons  techniques  are  needed  in  order  to   transform  the  machine-­‐readable  data  into  this:   Motivation:  Music!  (4)   EUCLID  –  Interac3on  with  Linked  Data   5   Source:  hZp://    
  • 6. In  addi3on,  visualiza=on  techniques  allow  for:     Motivation:  Music!  (5)   EUCLID  –  Interac3on  with  Linked  Data   6   •  Telling  a  story     •  Engaging  our  paZern  matching   brain   •  Iden3fying  data  characteris3cs   which  cannot  be  directly  inferred   from  sta3s3cal  proper3es:   •  Anscombe’s  quartet:  4  datasets  very   different,  but  with  same  sta3s3cal  values.   Image:  hZp://'s_quartet   Source:  Donaldson,  I.  and  Lamere  P.    Using  Visualiza,ons  for  Music  Discovery   Image:  Chan  W.,  Qu.  H,  Mak,  W.  Visualizing  the   Seman,c  Structure  in  Classical  Musical  Works.    
  • 7. Agenda   1.  Linked  Data  visualiza=on   2.  Linked  Data  search   3.  Methods  for  Linked  Data  analysis   7  EUCLID  –  Interac3on  with  Linked  Data  
  • 8. LINKED  DATA  VISUALIZATION   EUCLID  –  Interac3on  with  Linked  Data   8  
  • 9. LD  Visualization  Techniques   •  Linked  Data  visualiza3on  techniques  should  provide   graphical  representa=ons  of  the  informa3on  within   the  LD  datasets   •  Visualiza3on  techniques  should  be  selected   accordingly  to:   –  The  type  of  data:  Specific  types  of  data  should  be   visualized  in  a  certain  way   –  The  purpose  of  the  visualiza=on:  Depending  on  the  type   of  analysis/applica3on  to  employ   9  EUCLID  –  Interac3on  with  Linked  Data  
  • 10. LD  Visualization  Techniques  (2)   EUCLID  –  Interac3on  with  Linked  Data   10   •  (Raw)  RDF  data:  Instance  data,  taxonomies,   ontologies,  vocabularies.     •  Analy=cally  extracted  data:  Subset  of   the  data  denominated  region  of  interest  (ROI),   obtained  via  data  extrac,on  mechanisms,  for   example,  SPARQL  queries.   •  Visualiza=on  abstrac=on:  It  is  obtained   by  applying  visualiza,on  transforma,ons  to  render   the  data  into  displayable  informa3on.         •  View:  Final  result.  The  visual  mapping   transforma3ons  obtain  a  graphic  representa3on  of   the  data  using  the  selected  visualiza3on  technique.     •  User  interac=on:  The  user  interacts  (click,   zoom,  etc.)  with  the  visualiza3on,  which  may  trigger   a  new  visualiza3on  process.   RDF  data   Analy3cally   extracted  data   Visualiza3on   abstrac3on   View   Data  extraction   Visualization   transformation   Visual  mapping   transformation   Overview  of  the  Linked  Data  Visualization  process   Process  par3ally  based  on:  Brunej  ,  J.M.;  Auer,  S.;  García,  R.  The  Linked  Data  Visualiza,on  Model.   (Op3onal)   User   interaction  
  • 11. country   releases   United  Kingdom   225   United  States   140   Germany   30   Luxembourg   29   LD  Visualization  Techniques  (3)   EUCLID  –  Interac3on  with  Linked  Data   11   Example  of  the  Linked  Data  Visualization  process   …   RDF  data   Analy3cally   extracted  data   …   Visualiza3on   abstrac3on   SELECT  ?country  (COUNT(?release)  AS  ?releases)   WHERE  {    <>  foaf:made              ?release  .    ?release  a  mo:Release  ;      mo:label  ?label  .    ?label  foaf:based_near  ?country  .}   GROUP  BY  ?country   ORDER  BY  DESC(?releases)   Data  extraction   SPARQL  query:    Retrieve  number  of  releases  per   country  of  The  Beatles   #widget  :  HeatMap  |     input  =  'country_code'  |   output  =  {{  'releases'  }}   Visualization   transformation   country_code   releases   GB   225   US   140   DE   30   LU   29   ?country_code2  :=  REPLACE(str(?country),  "hZp://",  "",  "i”)   ?country_code      :=  REPLACE(?country_code2,  "%",  "",  "i")         Formajng  the  names  of  the  countries   View   Visual  mapping   transformation   Selec3ng  the  visualiza3on  technique  (input,  output)   Can  be  performed  in  a  single  step   …   …  
  • 12. LD  Visualization  Techniques  (3)   EUCLID  –  Interac3on  with  Linked  Data   12   Example  of  the  Linked  Data  Visualization  process   View  
  • 13. Challenges  for                                                                     Linked  Data  Visualization   EUCLID  –  Interac3on  with  Linked  Data   13   •  Enabling  user  interac=on   –  Users  must  be  able  to  navigate  through  the  data  by  exploi3ng  the   connec3ons  between  Linked  Data  resources   –  The  user  might  edit  the  underlying  data  to  enrich  it  by:     •  Crea3ng  addi3onal  metadata   •  Highligh3ng  or  correc3ng  errors   •  Valida3ng  data   •  Suppor3ng  data  reusability   –  The  output  (the  ploZed  data  or  the  visualiza3on  itself)  might  be   encoded  using  standard  ontologies  and  vocabularies       •  Scalability   –  Linked  Data  visualiza3on  techniques  should  support  the  display  of   large  amount  of  data  in  an  efficient  way  
  • 14. Challenges  for                                                                     Linked  Open  Data  Visualization   EUCLID  –  Interac3on  with  Linked  Data   14   •  Extrac3ng  data  from  different  repositories   –  A  Linked  Data  set  might  be  par33oned  into  several  repositories     –  The  region  of  interest  (ROI)  might  include  data  from  different  data   sets,  requiring  the  access  to  distributed  repositories   •  Handling  heterogeneous  data   –  The  same  data  (concepts)  might  be  modeled  differently,  for  example,   using  different  vocabularies   –  Certain  values  might  have  different  formats,  for  example,  dates   represented  as  DD-­‐MM-­‐YYYY,  MM-­‐DD-­‐YYYY  or  just  YYYY   •  Dealing  with  missing  values   –  Due  to  the  semi-­‐structuredness  of  Linked  Data,  some  instances  might   have  missing  values  for  certain  proper3es  
  • 15. Classification  of   Visualization  Techniques   15  EUCLID  –  Interac3on  with  Linked  Data   Task   Visualiza=on  techniques   Comparison  of  aZributes  /   values   •  Bar/column  and  pie  chart   •  Line  charts   •  Histogram   Analysis  of  rela3onships   and  hierarchies   •  Graph   •  Arc  diagram   •  Matrix   •  Node-­‐link  visualiza3ons   •  Space-­‐filling  techniques:  Treemaps,  icicles  and  sunburst,     circle  packing  and  rose  diagrams     Analysis  of  temporal  or   geographical  events     •  Timeline   •  Maps   Analysis  of  mul3-­‐ dimensional  data   •  Parallel  coordinates   •  Radar/star  chart   •  ScaZer  plot  
  • 16. Bar/column  chart     Allows  the  comparison  of  values  of   different  categories.       Pie  chart   Useful  for  performing  comparison   of  percentages  or  propor3ons.       Comparison  of                                                                                                       Attributes  /  Values   16  EUCLID  –  Interac3on  with  Linked  Data   Line  chart   Allows  visualizing  data  as  a  series  of   data  points,  where  the  measurement   points  (x-­‐axis)  are  ordered.         Histogram   Graphical  representa3on  of  the   distribu3on  of  the  data.   Image  source:  hZp://      Image  source:  hZp://   Image  source:  hZp://      Image  source:  hZp://  
  • 17. Arc  diagram   The  nodes  are  displayed  in  one   dimension,  and  the  arcs  represent   the  connec3ons.       Analysis  of                                           Relationships  and  Hierarchies     Graph     The  data  entries  are  represented  as   nodes  and  the  links  as  edges.         17  EUCLID  –  Interac3on  with  Linked  Data   Adjacency  Matrix  diagram   The  nodes  are  displayed  as  rows  and   columns,  and  the  links  between  the   nodes  are  entries  in  the  matrix.     Node-­‐link  visualiza3ons   The  data  is  organized  in  hierarchies.   Source  of  images:  hZp://      
  • 18. Icicles  and  sunburst   Hierarchies  are  represented  by   adjacencies.     Analysis  of                                           Relationships  and  Hierarchies  (2)     Treemaps   Subdivide  area  into  rectangles.   18  EUCLID  –  Interac3on  with  Linked  Data   Circle-­‐packing       Containment  is  used  to  represent  the   hierarchies.   Rose  diagrams   Areas  are  equal  angles  and  the  data   is  represented  by                                                             the  extension  of                                                                                       the  area.   Source  of  images:  hZp://       Space-­‐filling  techniques  
  • 19. Analysis  of    Temporal  or   Geographical  Events     Timeline     19  EUCLID  –  Interac3on  with  Linked  Data   Maps     Source:  hZp://       Choropleth  maps   Aggregate  data  by   geographical  area   Loca3on  maps   Display  geo-­‐points  on  a  map   Dorling  cartograms   Aggregate  data  and  replace   each  area  with  a  circle   Discrete  data  points  in  3me   Con3nuous  data  in  3me   Source:  hZp://­‐movie-­‐box-­‐office-­‐chart   Source:  hZp//   Source:  Google  Map  API   Source:  hZp//  
  • 20. ScaZer  plot   Useful  for  performing  comparison   of  percentages  or  propor3ons.       Analysis  of                           Multidimensional  Data   Radar/star  chart   Displays  mul3variate  data  as  a  two-­‐ dimensional  chart.  The  axes   correspond  to  the                                                 variables.       20  EUCLID  –  Interac3on  with  Linked  Data   Parallel  coordinates   Allows  visualizing  high-­‐dimensional  data.   Each  ver3cal  axis  denotes  a  dimension,  and   a  mul3dimensional  point  is  represented  as   a  polyline  with  ver3ces  on  the  axes.       Source:  hZp://       Source:  hZp://      Source:  hZp://      
  • 21. Other  Visualization  Techniques     EUCLID  –  Interac3on  with  Linked  Data   21   •  Text-­‐based  visualiza3ons:  tag  clouds   •  Some  of  the  previously  presented  techniques  can  be   combined  to  produce  more  complex  data   visualiza3ons     Phrase  Net  of  Beatles  Lyrics   DBpedia  music  genres   Source:  hZp://   Source:  hZp://many-­‐  
  • 22. •  Get  an  overview  of  the  data   •  Iden3fica3on  of  relevant  resources,  classes  or  proper=es  in   datasets   •  Learning  about  certain  underlying  characteris=cs  of  the  data,   e.g.,  vocabularies  or  ontologies   •  Detec3ng  missing  links  between  nodes  in  an  RDF  graph   •  Discovering  new  paths  between  nodes  in  an  RDF  graph     •  Iden3fying  hidden  paUerns  in  the  data     •  Finding  errors  or  atypical  values  (outliers)   22  EUCLID  –  Interac3on  with  Linked  Data   Applications  of  Linked  Data   Visualization    Techniques  
  • 23. Linked  Data  Visualization               Tool  Requirements   The  requirements  for  visualiza3on  tools  that  consume  Linked  Data  can  be   summarized  as  follows:   •  Data  naviga=on  and  explora=on  capabili3es  in  order  to  understand  the   structure  and  the  content   •  Exploi3ng  data  structures:   •  Links  to  visualize  hierarchies  or  graphs   •  Mul3-­‐dimensional   •  User  interac=on:   •  Basic  and  advanced  querying   •  Filtering  values   •  Interac3ve  UI:  responsive  to  the  user  input   •  Publica=on/syndica=on  of  the  graphical  representa3on  of  the  data   •  Data  extrac=on  in  order  to  export  the  data  such  that  can  be  reused  by   third  par3es   23  EUCLID  –  Interac3on  with  Linked  Data  
  • 24. Linked  Data  Visualization               Tool  Types   1.  LD  browsers  with  text-­‐based  representation   •  Dereference  URIs  to  retrieve  the  resource  descrip3on   •  Use  a  textual  representa3on  of  LD  resources   •  Display  adequately  texts  and  images     •  Mainly  support  exploratory  browsing  and  knowledge  discovery   2.  LD  and  RDF  browsers  with  visualization  options   •  Exploit  picture,  graphics,  images  and  other  visual   representa3ons  of  the  data   •  Support  user  interac3on:  allows  for  querying,  filtering  and   jumping  between  resources   •  Suitable  for  browsing  and  knowledge  discovery  as  well  as   analy3c  ac3vi3es   24  EUCLID  –  Interac3on  with  Linked  Data  
  • 25. Linked  Data  Visualization               Tool  Types  (2)   3.  Visualization  toolkits   •  Frameworks  providing  a  wide  range  of  visualiza3on  techniques   •  General  toolkits  support  LD  visualiza3on  by  applying  a  set  of   transforma3ons  of  the  data   •  Some  toolkits  are  specially  designed  to  consume  LD   4.  SPARQL  visualization   •  These  tools  allow  transforming  the  output  of  SPARQL  queries   into  graphics   •  Contact  SPARQL  endpoints  in  order  to  evaluate  the  query   •  Suitable  for  analy3cal  ac3vi3es     25  EUCLID  –  Interac3on  with  Linked  Data  
  • 26. Linked  Data  Visualization               Tool  Types  (3)   26  EUCLID  –  Interac3on  with  Linked  Data   LD  browsers  with  text-­‐ based  presenta3ons     Sindice   OpenLink  RDF  Browser   Marbles   Disco  Hyperdata  Browser   Piggy  Bank  (SIMILE)   Zitgist  DataViewer   iLOD   URI  Burner   Dipper  –  Talis  Pla•orm  Browser   LD  and  RDF  browsers   with  visualiza=on  op3ons   Tabulator   IsaViz   OpenLink  Data  Explorer   RDF  Gravity   RelFinder   DBpedia  Mobile   LESS   SIMILE  Exhibit   Haystack   FoaF  Explorer   Humboldt   LENA   Noadster   Visualiza3on  toolkits   Linked  Data  tools:   Informa3on  Workbench   Visual  RDF  (by  Graves)   LOD  Live   LOD  Visualiza3on   Data-­‐Driven  Documents  (D3)   NetworkX   Many  Eyes   Tableau   Prefuse   SPARQL  visualiza3on   Informa3on  Workbench   Google  Visualiza3on  API   SPARQL  package  for  R   Gruff  (for  AllegroGraph)   Linked  Data:   General  data:  
  • 27. Linked  Data  Visualization   Examples  (1)   EUCLID  –  Interac3on  with  Linked  Data   27   Source:  hZp://   Retrieves  informa3on  from   different  LD  sources     Keyword   search   Displays   values  per   predicate   Displays   the  source   for  each   value  
  • 28. Linked  Data  Visualization   Examples  (2)   EUCLID  –  Interac3on  with  Linked  Data   28   Source:  hZp://   Displays   values  per   predicate:   May  include  (redundant)   informa3on  in  different   languages,  for  example:  annés   and  anno   Summary:   •  lists  all  the  triples,  and  group   them  per  predicate   •  Useful  for  browsing  predicates  and   values  within  data  sets   •  The  meaning  of  the  values  is  not  evident   URIs  are  clickable,  allowing   naviga3on  through  RDF   resources  
  • 29. Linked  Data  Visualization   Examples  (3)   EUCLID  –  Interac3on  with  Linked  Data   29   Sindice   Keyword   search   Filtering   per  type  of   document   Retrieves  links   to  documents   Allows  accessing   cache  documents       Allows  inspec3ng   resources   Source:  hZp://  
  • 30. Linked  Data  Visualization   Examples  (4)   EUCLID  –  Interac3on  with  Linked  Data   30   Sindice   Both  interfaces  display  the   set  of  triples  related  to  the   inspected  resource   Cache  triples   Live  triples  
  • 31. Linked  Data  Visualization   Examples  (5)   EUCLID  –  Interac3on  with  Linked  Data   31   Information  Workbench   •  Demo  available  at:  hZp://   •  Displays  human-­‐readable  content  about  Linked  Data   resources     •  Supports  visualiza=on  techniques  (different  types  of  charts,   maps,  3melines,  etc.)  to  plot  results  from  SPARQL  queries   •  Allows  the  user  to  interact  with  the  displayed  data  
  • 32. Linked  Data  Visualization   Examples  (6)   EUCLID  –  Interac3on  with  Linked  Data   32   Information  Workbench:  Browsing  a  music  artist   (1)  Search  op3ons   (2)  Search  results  
  • 33. Linked  Data  Visualization   Examples  (7)   EUCLID  –  Interac3on  with  Linked  Data   33   Information  Workbench:  Browsing  a  music  artist   (3)  Browsing  the  selected  resource  
  • 34. Linked  Data  Visualization   Examples  (8)   EUCLID  –  Interac3on  with  Linked  Data   34   Information  Workbench:  Visualization  techniques   (3)  Browsing  the  selected  resource  
  • 35. Linked  Data  Visualization   Examples  (9)   EUCLID  –  Interac3on  with  Linked  Data   35   Information  Workbench:  User  interaction   LD  visualiza3ons  must  support  naviga3on  through  the  data   Source:  hZp://  
  • 36. Linked  Data  Visualization   Examples  (9)   EUCLID  –  Interac3on  with  Linked  Data   36   Information  Workbench:  SPARQL  Visualization     Implements  widgets  which  allow:   •  Retrieving  ROI  via  SPARQL  queries   •  Selec3ng  the  appropriate  visualiza3on  technique   •  Configuring  parameters  of  the  visualiza3on  
  • 37. Linked  Data  Visualization   Examples  (10)   EUCLID  –  Interac3on  with  Linked  Data   37   Information  Workbench:  SPARQL  visualization   SELECT  ?release                  ((SUM(xsd:double(?duration/60000)))  AS  ?avg)     WHERE  {      <>                    foaf:made  ?release  .    ?release  mo:record  ?record  .    ?record  mo:track  ?track  .    ?track  mo:duration  ?duration  .}     GROUP  BY  ?release   ORDER  BY  DESC(?avg)   LIMIT  10   SPARQL  Query     Result  set   Top  ten  The  Beatles  releases  according  to  the  sum  of  track  dura,ons  in  minutes  
  • 38. Linked  Data  Visualization   Examples  (11)   EUCLID  –  Interac3on  with  Linked  Data   38   Information  Workbench:  SPARQL  visualization   Top  ten  The  Beatles  releases  according  to  the  sum  of  track  dura,ons  in  minutes   Widget   Visualization:  Bar  chart   {{#widget:  BarChart  |   query  ='SELECT  (COUNT(?Release)  AS  ?COUNT)  ? label  WHERE  {         <­‐ca0b-­‐4321-­‐b7e5-­‐ cff6565dd4c0#_>  foaf:made  ?Release.      ?Release  rdf:type  mo:Release  .    ?Release  dc:title  ?label  .}   GROUP  BY  ?label   ORDER  BY  DESC(?COUNT)   LIMIT  20'   |  settings  =  'Settings:barvertical_mb'     |  asynch  =  'true'   |  input  =  'label'   |  output  =  'COUNT'   |  height  =  '300’}}  
  • 39. Linked  Data  Visualization   Examples  (12)   EUCLID  –  Interac3on  with  Linked  Data   39   Information  Workbench:  SPARQL  visualization   Top  ten  The  Beatles  releases  according  to  the  sum  of  track  dura,ons  in  minutes   Other  visualiza3ons  of  the  same  result  set  …   Line  chart:   Pie  chart:  
  • 40. Linked  Data  Visualization   Examples  (13)   EUCLID  –  Interac3on  with  Linked  Data   40   Information  Workbench:  Automated  Widget  Suggestion   Bar  chart   Line  chart   Pie  chart   1   2   3  Table   Pivot     view   Select  a  suggested  visualiza3on   Visualiza3on   automa3cally  built  
  • 41. Linked  Data  Visualization   Examples  (14)   EUCLID  –  Interac3on  with  Linked  Data   41   Other  tools   Source:  hZp://   Source:  hZp://   LOD  Visualization  LOD  live   •  Graph  visualiza3ons   •  Interac3ve  UI  (the  graph  can  be   expanded  by  clicking  on  the  nodes)   •  Live  access  to  SPARQL  endpoints   •  Hierarchy  visualiza3ons:  treemaps  and  trees   •  Live  access  to  SPARQL  endpoints   (suppor3ng  JSON  and  SPARQL  1.1)    
  • 42. Linking  Open  Data  Cloud   Visualization  (1)   42  EUCLID  –  Interac3on  with  Linked  Data   “The  Linking  Open  Data  cloud  diagram”                                                                                     by  Richard  Cyganiak  and  Anja  Jentzsch   Source:  hZp://lod-­‐   •  The  nodes  correspond   to  Linked  Data  sets   •  The  edges  represent   connec3ons  between   Linked  Data  sets     •  The  size  of  the  nodes  is   propor3onal  to  the   number  of  triples  in   each  data  set     •  The  datasets  are   categorized  by   knowledge  domains   represented  with  colors  
  • 43. Linking  Open  Data  Cloud   Visualization  (2)   43  EUCLID  –  Interac3on  with  Linked  Data   Image  source:  hZp://   “Linked  Open  Data  Cloud”  generated  by  Gephis   •  The  central  cluster  (green)  displays  DBpedia  as  a  central  focus   •  The  size  of  the  nodes  reflect  the  size  of  the  datasets   •  The  length  of  the  connec=ons  encode  informa3on  about  the  data  structure   Source:  A.  Dadzie  and  M.  Rowe.  Approaches  to  Visualizing  Linked  Data:  A  Survey.  2011  
  • 44. Linking  Open  Data  Cloud     Visualization  (3)   44  EUCLID  –  Interac3on  with  Linked  Data   “Linked  Open  Data  Graph”  by  Protovis   Source:  hZp://­‐graph/   •  The  data  to  be  displayed  are   retrieved  using  the  CKAN  API   •  The  nodes  represent  Linked  Data   sets  available  in  the  Data  Hub  “lod-­‐ cloud”  group   •  The  size  of  the  nodes  is  propor3onal   to  the  data  set  size   •  Edges  are  connec3ons  between  data   sets   •  The  colors  reflect  the  CKAN  ra3ng   and  the  intensity  of  the  color  reflects   the  number  of  received  ra3ngs   •  The  nodes  can  be  clicked  to  go  to   the  data  set  CKAN  page  
  • 45. LD  Reporting   EUCLID  –  Interac3on  with  Linked  Data   45   •  Visualiza3ons  techniques  are  used  in  the  crea3on  of  reports   included  in  data  monitoring  and  management    solu3ons   •  Provides  and  overview  of  the  dataset  by  genera3ng  a  low-­‐level   descrip=ve  analysis:   •  Quan3ta3ve  informa3on  about  the  dataset     •  Users  may  interact  with  the  data  via  dashboards   •  Some  systems  support  this  feature  over  structured  data:   •  Google  Webmaster  Tools  (hZps://   •  Informa3on  Workbench  (hZp://­‐workbench)   •  eCloudManager  (hZp://  
  • 46. Google  Webmaster  Tool:     Structure  Data  Dashboard  (1)   EUCLID  –  Interac3on  with  Linked  Data   46   •  Provides  to  webmasters  informa3on  about  the  structured   data  embedded  in  their  websites  (and  recognized  by  Google)   •  The  dashboard  three  levels:   i.  Site-­‐level  view:  aggregates  the  data  by  classes  defined  in     the  vocabulary  schema   ii.  Item-­‐type-­‐level  view:  provides  details  per  page  for  each   type  of  resource   iii.  Page-­‐level  view:  shows  the  aZributes  of  every  type  of   resource  on  a  given  web  page  
  • 47. Google  Webmaster  Tool:     Structure  Data  Dashboard  (2)   EUCLID  –  Interac3on  with  Linked  Data   47   Source:  hZp://­‐structured-­‐data-­‐dashboard.html   Site-­‐level  view  
  • 48. Google  Webmaster  Tool:     Structure  Data  Dashboard  (3)   EUCLID  –  Interac3on  with  Linked  Data   48   Source:  hZp://­‐structured-­‐data-­‐dashboard.html   Page-­‐level  view   Site-­‐level  view  
  • 49. LINKED  DATA  SEARCH   EUCLID  –  Interac3on  with  Linked  Data   49  
  • 50. Semantic  Search  Process   Using  semantic  models  for  the  search  process   50  EUCLID  –  Interac3on  with  Linked  Data   Faceted   Search   Seman=c   Search   Image  based  on:  Tran,  T.,  Herzig,  D.,  Ladwig,  G.  SemSearchPro-­‐  Using  seman3cs  through  the  search  process     Data  graphs   Query   Result  visualiza=on/ presenta=on   User  query   (e.g.  keywords,  NL)   Query  visualiza=on   (Op3onal)   User   System   Refinement   Presenta3on   Analysis   Presenta3on  /   Ranking   Graph  matching     En3ty  Extrac3on  /   Seman3c  query  analysis  
  • 51. Image  Source:  hZp://   Semantic  Search:  Example  (1)   51  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   Query  expansion:   song   track   melody   tune   synonym     synonym     mo:Track   Candidates   …   song   member  (of)    wriZen  by   (the)  beatles     En=ty  mapping:  
  • 52. Semantic  Search:  Example  (2)   52  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   Query  expansion:   writer   composer   creator   synonym     mo:composer   Image  Source:  hZp://   Candidates   wriZen  by   inverse  of   …   song   member  (of)    wriZen  by   (the)  beatles     En=ty  mapping:  
  • 53. Semantic  Search:  Example  (3)   53  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   song   member  (of)    wriZen  by   (the)  beatles     Query  expansion:   member  (of)   mo:member _of   mo:member   inverse  of   Image  Source:  hZp://   En=ty  mapping:  
  • 54. Semantic  Search:  Example  (4)   54  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   song   member  (of)    wriZen  by   (the)  beatles     En=ty  mapping:   (the)  beatles     Candidates   Beatles   (Book)   The  Beatles   (Music  Group)   Beatle   (Animal)   Beatle   (Automobile)   How  to  iden3fy  the  right  “Beatle”?  Examine  the  context  (Contextual  Analysis)    
  • 55. Semantic  Search:  Example  (5)   55  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   song   member  (of)    wriZen  by   (the)  beatles     En=ty  mapping:   (the)  beatles     Contextual  Analysis   foaf:Agent   mo:composer   mo:Track   mo:   MusicAr3st   rdfs:subClassOf   mo:   MusicGroup   mo:member   rdfs:subClassOf   This  subgraph  is  part  of  the  query   The  Beatles   (Music  Group)   dbpedia:   The_Beatles   En=ty  mapping:  
  • 56. Semantic  Search:  Example  (6)   56  EUCLID  –  Interac3on  with  Linked  Data   User  query   (NL)   “songs  wriZen  by  members  of  the  beatles”   En=ty  extrac=on:   song   member  (of)    wriZen  by   (the)  beatles     ?y   Mo:Track   ?x   mo:composer   a   dbpedia:   The_Beatles   mo:member   Results   (I  want  to)  Come  Home   Angel  in  Disguise   Another  Day   …   Answers  presented  to  the  user     The  results  could  be  ranked   Query   foaf:Agent  a  
  • 57. Semantic  Search   •  Aims  at  understanding  the  meaning  of  the  resources  specified   in  the  query   •  Different  approaches  to  exploit  seman3cs:   •  Query  expansion  using  ontologies   Since  ontologies  represent  knowledge  about  specific  domains,  they  can   be  used  to  expand  the  query  by  incorpora3ng  related  ontology  terms   into  the  query.     •  Contextual  analysis   In  LD,  this  approach  may  explore  the  resources  specified  in  the  query  and  their   adjacent  nodes  in  the  RDF  graph.  Mainly  applied  to  disambiguate  query  terms.     •  Reasoning   In  some  cases,  the  answer  to  a  specific  query  is  not  explicitly  contained  in  the   data,  but  it  can  be  computed  by  using  reasoning  methods.   57  EUCLID  –  Interac3on  with  Linked  Data  
  • 58. Semantic  Search  &  Linked  Data   58  EUCLID  –  Interac3on  with  Linked  Data   Component   Seman=c  search   SPARQL  query   Keyword  or  NL  /             concept  matching     Performs  en3ty  extrac3on   and  matching  to  formal   concepts   Not  supported   Fuzzy  concepts/rela3on/ logics   Allows  the  applica3on  of   fuzzy  qualifiers  as  query   constrains       Not  supported   Graph  paZerns   Uses  the  context  and   other  seman3c   informa3on  to  locate   interes3ng  sub-­‐graphs   Applies  paZern  matching     Path  discovery   Finds  new  interes=ng   links  that  may  lead  to   addi3onal  informa3on   Not  supported   Semantic  Search  vs.  SPARQL  query  
  • 59. Semantic  Search:  Google  (1)   59  EUCLID  –  Interac3on  with  Linked  Data   Input:  query  in  NL     Output:  List  of  answers   Google  performs  seman3c  search  on  certain  en33es  and  queries!  
  • 60. Semantic  Search:  Google  (2)     60  EUCLID  –  Interac3on  with  Linked  Data   Input:  ques3on  in  NL     Output:  List  of  web  pages   ranked  using  the  algorithm   Google  PageRank  to  display  the   most  relevant  pages  first  
  • 61. Semantic  Search:  DuckDuckGo  (1)   61  EUCLID  –  Interac3on  with  Linked  Data   Input:  ques3on  in  NL     Output:  List  of  answers  
  • 62. Semantic  Search:  DuckDuckGo  (2)   62  EUCLID  –  Interac3on  with  Linked  Data   Performs  disambigua=on  of  the   query  terms.   The  45  sugges=ons  are  grouped  by   classes  according  to  their   corresponding  knowledge  domain:   This  approach  is  denominated   Faceted  Search  
  • 63. Faceted  Search:  Example   Information  Workbench:  Searching  for  artists  in  categories     63  EUCLID  –  Interac3on  with  Linked  Data   Facet     Facet     Facet     Source:  hZp://   Depic3ons  of  ar3sts  
  • 64. Faceted  Search   •  Facets  =  proper3es   •  Suitable  for  browsing  mul=-­‐dimensional  taxonomies  based  on   the  search  aZributes   •  Allows  user  to  explore  the  data:   •  User  submits  a  (keyword)  query     •  Faceted  system  dynamically  iden3fies  the  relevant  facets  (proper3es)   for  the  given  query  and  the  constrains  (values  of  those  proper3es),  and   display  the  search  results       •  User  may  “drill  down”  by  selec3ng  specific  constrains  to  the  search   results   •  Informa3on  can  be  accessed  and  ranked  in  mul3ple  ways   64  EUCLID  –  Interac3on  with  Linked  Data  
  • 65. Faceted  Search  (2)   Challenges  for  supporting  Faceted  Search   •  Iden3fying  which  facets  to  surface:   •  In  heterogeneous  datasets,  data  entries  may  have  different  facets       •  Dynamically  iden3fy  the  most  appropriate  facets  for  each  query   •  Ordering  the  facets  depending  on  the  relevance  to  the  query   •  Compu3ng  previews:   •  Accurately  predic3ng  counts,  without  examining  all  the  results   •  Offering  facet  preview  to  give  users  an  idea  of  what  to  expect   65  EUCLID  –  Interac3on  with  Linked  Data   Source:  Teevan  ,  J.,  Dumais,  S.,  GuZ.  Z.  Challenges  for  Suppor3ng  Faceted  Search  in  Large,   Heterogeneous  Corpora  like  the  Web    
  • 66. Faceted  Search:  LD  Example  (1)   FacetedDBLP   •  Retrieves  informa3on  from  the  DBLP  collec=on   •  Shows  the  result  set  with  different  facets:   •  Publica3on  years   •  Authors   •  Conferences   •  It  is  implemented  upon  the  DBLP++  dataset  (enhancement  of   DBLP  including  addi3onal  keywords  and  abstracts):   •  DBLP  ++  is  stored  in  a  MySQL  database   •  Uses  D2R  server  to  consume  RDF  triples   66  EUCLID  –  Interac3on  with  Linked  Data  
  • 67. Faceted  Search:  LD  Example  (2)   67  EUCLID  –  Interac3on  with  Linked  Data   Input:  “crowdsourcing”       Facets   485  results     FacetedDBLP  
  • 68. Classification  of  Search  Engines   68  EUCLID  –  Interac3on  with  Linked  Data   Seman=c   Search   Systems   Faceted   Search   Systems   Google   (GKG)  Bing   KIM   LOD  cloud  cache   /facet   Longwell   mSpace   Exhibit  (SIMILE)   PoolParty  Seman3c   Search  Server   DuckDuckGo   Hakia   SenseBot   PowerSet   DeepDive   Kosmix   Fac3bles   Lexxe   Informa3on  Workbench  
  • 69. Searching  for  Semantic  Data   69  EUCLID  –  Interac3on  with  Linked  Data            Search  for   •  Ontologies   •  Vocabularies   •  RDF  documents  
  • 70. Semantic  Data  Search  Engines  (1)   EUCLID  –  Interac3on  with  Linked  Data   70   Searching  for  ontologies   Swoogle   hZp://kmi-­‐  hZp://   Watson   Keyword  search   Keyword  search  
  • 71. Semantic  Data  Search  Engines  (2)   Searching  for  vocabularies:  LOV  Portal   •  Allows  to  search  proper=es,  classes  or  vocabularies  in   the  Linked  Open  Vocabulary  (LOV)  catalog   •  The  LOV  search  engine  implement  faceted  search  on:   •  The  knowledge  domain   •  The  role  of  the  resource  matched  from  the  input  query   •  The  vocabulary  containing  the  resource   •  Results  are  ranked  according  to  a  score  considering:   •  Relevancy  to  the  query  (string)   •  Element  labels  matched  importance   •  Number  of  LOV  vocabularies  that  refer  to  the  element   71  EUCLID  –  Interac3on  with  Linked  Data  
  • 72. Semantic  Data  Search  Engines  (3)   72  EUCLID  –  Interac3on  with  Linked  Data   Facets   84  results   Input:  “ar3st”       CH  3   Searching  for  vocabularies:  LOV  Portal    
  • 73. Semantic  Data  Search  Engines  (4)   EUCLID  –  Interac3on  with  Linked  Data   73   Searching  for  documents   hZp://   hZp://   Seman3c  Web  Search  Engine   Sindice  
  • 74. METHODS  FOR  LINKED  DATA   ANALYSIS   EUCLID  –  Interac3on  with  Linked  Data   74  
  • 75. Features  of  Data  Analysis   75  EUCLID  –  Interac3on  with  Linked  Data   Sta3s3cal  analysis   •  Allows  describing  the  data  via  Exploratory  Data  Analysis  (EDA)  methods   •  Includes  sta3s3cal  inference  and  predic3on   Data  aggrega3on  &  filtering   •  One  of  the  first  steps  in  data  analysis  is  pre-­‐processing  in  order  to  select  the   appropriate  data  to  study     Visualiza=on  techniques  can  be  built  on  top  of  these  as  part  of  data  analysis     Machine  learning   •  Focuses  on  predic3on     •     Combines  Ar3ficial  Intelligence  and  Sta3s3cs       •     Includes  supervised  and  unsupervised  learning  (not  covered  in  this  course)  
  • 76. LD  Data  Aggregation  &  Filtering   EUCLID  –  Interac3on  with  Linked  Data   76   •  Data  aggrega3on  refers  to  merging/summarizing  several   values  into  a  single  a  one   •  Filtering  allows  retrieving  relevant  data  proper3es  and   selec3ng  a  par3cular  range  of  data  values     •  SPARQL  is  able  to  perform  these  features  via  SELECT  queries   as  follows:   Features   SPARQL  capabili=es   Aggrega3on   Combining  aggregate  func3ons  (COUNT,  SUM,  AVG,  …  )  and   GROUP  BY  operator   Filtering   Combining  projec3on,  FILTER  and  HAVING  operators  
  • 77. LD  Statistical  Analysis   EUCLID  –  Interac3on  with  Linked  Data   77   •  Sta3s3cal  analysis  supports  descrip=ve  and  predic=ve   opera3ons   •  SPARQL  supports  some  descrip=ve  opera=ons  (average,   maximum,  minimum)  but  does  not  offer  more  sophis3cated   sta3s3cal  features  like:   •  Fijng  distribu3ons   •  Linear  regressions   •   Analysis  of  variance   •  …     •  Some  approaches  are  able  to  consume  data  retrieved  from   SPARQL  endpoints:   –   “R  for  SPARQL”  by  Willen  Robert  van  Hage  &  Tomi  Kauppinen   –  “Performing  Sta,s,cal  Methods  on  Linked  Data”  by  Zapilko  &  Mathiak  
  • 78. R  –  Statistical  Computing   EUCLID  –  Interac3on  with  Linked  Data   78   •  R  is  a  language  and  environment  for  sta=s=cal  compu=ng   •  R  provides  a  wide  variety  of  sta=s=cal  and  graphical   techniques   •  Linear  and  nonlinear  modeling   •  Classical  sta3s3cal  tests   •  Time-­‐series  analysis   •  Classifica3on  (Machine  Learning)   •  Clustering  (Machine  Learning)   •  Extensible  with  further  func3onali3es   •  R  is  available  as  Free  So_ware  (under  the  terms  of  the   GNU  general  public  license)  
  • 79. Statistical  Analysis  with  R   EUCLID  –  Interac3on  with  Linked  Data   79  
  • 80. R  for  SPARQL   EUCLID  –  Interac3on  with  Linked  Data   80   •  The  R  for  SPARQL  Package  enables  to:   •  Connect  a  SPARQL  endpoint  over  HTTP   •  Pose  a  SELECT  query  or  an  UPDATE  opera3on  (LOAD,  INSERT,  DELETE)   •  If  given  a  SELECT  query,  it  returns  the  results  as  a  data  frame   •  The  results  can  directly  be  mapped  and  visualized   •  Posing  requests:   •  If  the  parameter  query  is  given,  it  is  assumed  that  the  input  is  a  SELECT  query   and  a  GET  request  will  be  performed  to  get  the  results  from  the  URL  of  the   endpoint   •  If  the  parameter  update  is  given,  it  is  assumed  that  the  input  is  an  UPDATE   opera3on  and  a  POST  request  will  be  submit  to  the  URL  of  the  endpoint.   Nothing  is  returned   Source:  hZp://­‐package-­‐for-­‐r/  
  • 81. R  for  SPARQL:  Example  (1)   EUCLID  –  Interac3on  with  Linked  Data   81   1.  Download  the  R  package  and  load  it:   •  library(SPARQL)   •  Library(sp)  #user  for  plotting  spatial  data   2.  Define  the  endpoint  with  the  triples   •  endpoint  =  ""       3.  Define  the  query   •  q  =  "SELECT  ?cell  ?row  ?col  ?polygon  ?DEFOR_2002          WHERE  {                ?cell  a  <>  ;                <>  ?row  ;                <>  ?col;                <>  ?polygon  .                < DEFOR_2002>        ?DEFOR_2002  .                }"   Source:  hZp://­‐package-­‐for-­‐r  
  • 82. R  for  SPARQL:  Example  (2)   EUCLID  –  Interac3on  with  Linked  Data   82   4.  Link  the  result  to  an  object   •  res  <-­‐  SPARQL(endpoint,q)$results   5.  Handling  the  results   •  res$row  <-­‐  -­‐res$row   •  coordinates(res)  <-­‐    ~col  -­‐  row   6.  Chose  the  graphical  format  and  plot  the  results   •  spplot(res,"DEFOR_2002",col.regions=rev(heat.colors( 17))[-­‐1],  at=(0:16)/100,  main="relative   deforestation  per  pixel  during  2002")   Source:  hZp://­‐package-­‐for-­‐r  
  • 83. R  for  SPARQL:  Example  (3)   EUCLID  –  Interac3on  with  Linked  Data   83   Source:  hZp://­‐package-­‐for-­‐r  
  • 84. Machine  Learning     EUCLID  –  Interac3on  with  Linked  Data   84   •  Machine  Learning  techniques  allow  to  extract  interes3ng   informa3on  from  data  sources,  and  can  be  used  to  discover   hidden  paUerns  within  datasets  by  generalizing  from  examples   •  Different  ML  approaches  can  be  applied:     •  Clustering:  groups  similar  data  into  data  par33ons  called  clusters     •  Associa=on  rule  learning:  discovers  rela3ons  between  variables     •  Decision  tree  learning:  analyses  observa3ons  to  build  a  predic3ve   model  represented  as  a  tree     •  Many  others  …   •  Weka  is  a  Data  Mining  framework  commonly  used  to  apply  ML   on  tabular  data:   –  
  • 85. Machine  Learning  on  LD   EUCLID  –  Interac3on  with  Linked  Data   85   Challenges  for  applying  Machine  Learning  on  LD   •  LD  heterogeneity  introduces  noise  to  the  data:   –  Same  LD  resources,  different  URIs   –  Predicates  with  similar  seman3cs,  but  different  constraints   •  The  data  is  not  independent  and  iden3cally  distributed  (iid):   –  It  does  not  consist  of  only  one  type  of  objects   –  The  en33es  are  related  to  each  other   •  LD  rarely  contains  nega=ve  examples  needed  for  ML   algorithms:   –  For  example,  owl:differentFrom   Source  hZp://­‐slides  
  • 86. Applications  of     Machine  Learning  on  LD   EUCLID  –  Interac3on  with  Linked  Data   86   •  Node  ranking:   –  Ranking  nodes  according  to  their  relevance  for  a  query   •  Link  predic=on:   –  Infer  edges  between  LD  resources   –  Predict  the  new  edges  that  will  be  added  to  the  RDF  graph         •  En=ty  resolu=on:   –  Determine  whether  two  URIs  correspond  to  the  same  real-­‐ world  object   •  Taxonomy  learning:   –  Infer  taxonomies  or  concept  hierarchies  from  a  given   vocabulary  or  ontology  
  • 87. Summary   EUCLID  –  Interac3on  with  Linked  Data   87   •  Linked  Data  visualiza3on  techniques:   •  Visualiza3ons  must  be  chosen  according  the  type  of  the  data     •  Wide  variety  of  tools  suppor3ng  SPARQL  results’  visualiza=on     •  Might  be  used  in  dashboards  for  suppor3ng  administra3ve  tasks   •  Linked  Data  search   •  Seman=c  search:  exploits  the  meaning  of  user  queries  (NL  or  set  of   keywords)  to  present  useful  results     •  Faceted  search:  allows  browsing  mul3-­‐dimensional  data   •  Linked  Data  analysis:   •  Includes  data  manipula3on  such  as  aggrega=on  &  filtering     •  Applies  sta=s=cal  methods  to  get  a  beZer  understanding  of  the  data   •  Machine  Learning  techniques  can  be  applied  for  predic3ve  analysis   •  Visualiza=on  techniques  can  be  built  on  top  of  the  previous  features  
  • 88. For  exercises,  quiz  and  further  material  visit  our  website:     EUCLID  -­‐  Providing  Linked  Data   88   @euclid_project   euclidproject   euclidproject   http://www.euclid-­‐   Other  channels:   eBook   Course