Versioned datasets and queries in RDF/SPARQL

Abstract

Hoy en día, una gran cantidad de datasets están basados en RDF, dada su denominación como estándar de la Web. Wikidata [19] es uno los más importantes y masivos datasets RDF, conteniendo más de 84 millones de items1, y tiene por función estructurar y estandarizar el contenido de datos de Wikipedia. Wikidata al igual que muchos otros datasets RDF publicados como Linked Data [12] está en constante cambio, debido a que corresponde a un dataset abierto y colaborativo que puede ser editado por sus usuarios. Además, datos adicionales son importados desde fuente externas constantemente, lo cual convierte a Wikidata en un dataset muy dinámico en ciertos aspectos. Dadas estas circunstancias, se puede decir que Wikidata tiene distintas versiones en el tiempo, donde los datos disponibles son distintos dependiendo del periodo de tiempo donde se consulten. Este hecho hace posible analizar una componente temporal de Wikidata y, por lo tanto, sería relevante estudiar la posibilidad de desarrollar un sistema de versionamiento y una metodología para construir consultas usando sólamente SPARQL base junto a un modelo RDF que sea capaz de representar datos versionados, manteniéndose abierto a recibir consultar sin utilizar herramientas o software especializado. En este trabajo proponemos y analizamos un sistema que permite, de manera eficiente, almacenar y realizar consultas sobre grafos RDF que mantienen un historial de cambios en el tiempo. Algunos sistemas que llevan a cabo objetivos similares ya existen. Sin embargo, dichos sistemas utilizan extensiones, índices especializados y herramientas fuera del estándar. Teniendo esto en mente, se añade la meta de construir un sistema que logre nuestro objetivo usando sólamente RDF y SPARQL base, con la intención de dar al problema una solución estándar y lista para usar en cualquier ambiente. Se hacen pruebas con varias alternativas para representar el dataset versionado. Cada una requiere su propio método para convertir consultas SPARQL, permitiendo la compatibilidad con los datasets construidos. Se mantiene una versión sin compresión para comparar los resultados obtenidos. Junto a ésta, se construyen representaciones basadas de deltas e intervalos. Se definen dos tipos de deltas: absolutos, donde cada versión del grafo se compara con la versión base (puede ser la más antigua o la más reciente), y secuenciales, donde cada versión se compara con la versión anterior a sí misma, manteniendo así una representación paso a paso de los cambios a través del tiempo. En general, la representación basada en intervalos tiene el mejor desempeño, excepto por el tiempo que toma su construcción. Sin embargo, dichos tiempos de construcción se pueden mejorar con pequeñas optimizaciones. Además, la representación de intervalos es la única que ofrece soporte parcial para property paths, mientras que el resto de las representaciones son completamente incompatibles con éstos dado que no posible aplicar un property path sobre múltiples named graphs.