Sémantický web

• aby search engine rozuměl obsahu na stránce
  • na úrovni nějakých faktů (=znalostí), ne na primitivech, jako klíčová slova
    • syntaktický web je založený na primitivech právě - dnešní web právě jede na tomto principu - hlavně se prezentuje pro člověka (který tomu rozumí), ale není to poskládané tak, aby z toho počítač pochopil hlubší propojení, context, návaznosti atd.

“The Semantic Web is an extension of the current web in which information is given well-defined meaning, better enabling computers and people to work in co-operation.”

• sémantický dotaz
  • umím pojmenovat objekty, jejich velikosti, rozsahy atd. (ptající se rozumí tomu tématu)
    • např. SQL má sémantické dotazy
    • teď na webu se vyhledává pomocí klíčových slov
  • dotaz např. “Najdi mi domy v New Yorku, které stojí tolik a tolik a nejsou ze dřeva” - tohle už umí jazykové modely (jako chatGPT), ale to jsou natrénované modely, ne vyhledávače
    • teď přichází MS s BingAI a už dochází k nějakému propojení jazykového modelu a vyhledáváče
• kvůli staré syntaktické struktuře webu se stále hledá podle klíčových slov, ale snažíme se to překlopit směrem k sémantickému vyhledávání
• chceme dosáhnout strojové čitelnosti dat (opravdu porozumění daným informacím)
  • to teď umí už jazykové modely

HTML

• strukturování obsahu fulltextu, slouží jen pro prezentování

XML

• semi-strukturovaná data - struktury (uzly ve stromu)
  • nestruktury - vložený fulltext mezi tagy
• XSLT - data jsou oddělená v XML formátu a je možné je “mapovat” do PDFka, HTML atd.
  • první krok k sémantickému webu
• problém je, že to mohu napasovat na menší objemy dat, ne na celý web
  • abychom to mohli udělat, tak potřebuji něco, co mě odstíní od toho mít nějakou velkou strukturovanou databázi at

Ontologie (v Computer Science) je formální specifikace znalosti jako množina conceptů v určité doméně + vztahy mezi těmito koncepty (znalostmi)

RDF = resource descriptor framework

• abstraktní datový model pro konceptuální modelování dat
  • jak grafových, tak stromových, relačních atd.
• lze serializovat např. do XML
• všechny entity jsou globálně identifikované
  • vytvářím jeden velký globální dat faktů - to přesně chci
• více vyhovuje ontologii - už mohu mít nějaké znalosti a pomocí RDFka mohu spcifikovat, jaké jsou mezi nimi vztahy
• RDFS = RDF Schema
  • specifikace vztahů a konkrétních typů
• díky RDFku mám základní infrastrukturu pro definování faktů

SPARQL

• dotazovací jazyk pro RDF
• 4 základní queries (SELECT, CONSTRUCT, ASK, DESCRIBE)

OWL

• = Web Ontology Language
• jazyky, které reprezentují znalosti (concepty) - přidává jim popis, deskriptivní logiku
• spolupracuje s RDF - je to sémantické rozšíření RDF

FOAF (friend of a friend)

• založeno na RDF a OWL
• ontologie popisu osob, aby tomu rozuměly stroje

Problémy

• části sémantického webu jsou úspěšné, viz výše, ale celkově WWW není sémantický
  • autoři stránek by museli vedle svých stránek ještě nabízet informace ve formě RDF (upravit jejich stránky) a to se nikomu nechce, protože (zatím) to moc nepřináší výhody Background knowledge
• náročné téma, napíšu třeba: “Chci sci-fi knihu, kde není vesmírná loď”
  • podle klíčových slov by tohle určitě nešlo - sci-fi tam pravděpodobně nebude, vesmírnou loď tam nechci atd.
    • je potřeba tento dotaz sémanticky rozebrat a rozumět tomu Databáze produtků, velké balíky dat atd.
• nelze scrapnout celou databázi produktů Alzy atd., takže dotazy na konkrétní srovnání produktů jsou také náročné

Možné řešení

• lepší motivace - správně sémantické weby by mohly být upřednostňovány Googlem
• dobré nástroje pro rychlý a snadný převod existujících stránek do RDF, XML
• propojená data (linked data) - anotování dat a jednotlivých zdrojů na URIs - propojování s dalšími

Sémantizace webu

• syntaktika webu už přestala být dostačující a tak se začalo sémantizovat
• základy technologií
  • Unicode - sjednocení abeced po celém světě
  • URI - identifikace nejakého zdroje (to nemusí být vůbec žádná stránka)
  • na těchto základech se může stavět dále