元数据与语义网技术全解析

### 元数据与语义网技术全解析 #### 1. 语义网概述 在数字时代，传统网页主要提供人类可读的数据，软件代理难以处理与之相关的大量信息。例如，.jpg 文件虽代表 JPEG 图像，但在引入 Exif 和 XMP 等元数据格式之前，无法提供快门速度、曝光程序等信息。而语义网作为“数据之网”，提供了机器可处理的数据，使软件代理能“理解”网页信息的语义。 语义网与 Web 2.0 和 Web 3.0 密切相关。Web 2.0 涵盖 XML、Ajax、RSS 等技术，是即时通讯、博客等应用的基础；Web 3.0 则更注重定制化、语义内容和人工智能。语义网是 Web 2.0 和 Web 3.0 的重要组成部分，Web 3.0 可视为语义网的超集，具备社交连接和个性化特点。 语义网应用能通过通用网络架构访问数据，在数据集成、资源发现等领域有广泛应用，还能自动处理数据和句子关系，提高效率。不过，语义网应用也面临语义数据质量和信息识别等挑战，需依赖标准注释、分类法等技术。 #### 2. 结构化数据 为支持高级处理和按数据类型搜索，数据应进行结构化。传统网页包含大量非结构化数据，难以处理。而语义网上的结构化数据通常基于资源描述框架（RDF），以主语 - 谓语 - 宾语的三元组形式描述资源。例如，“The grass is green”可表示为： - 主语：“The grass” - 谓语：“is” - 宾语：“green” RDF 是抽象模型，有多种序列化格式，语法因格式而异。为将结构化数据添加到传统 (X)HTML 标记中，可采用以下方法： - 微格式（Microformats）：重用标记属性。 - 微数据（Microdata）：扩展 HTML5 标记，嵌入结构化元数据。 - RDFa：在非 (X)HTML 词汇表的标记属性中表达 RDF。 #### 3. 链接开放数据 链接数据（Linked Data）可改善“数据之网”的利用，通过在不同数据源的数据间创建类型化链接，提高可用性。结构化数据需满足以下四个要求才能称为链接数据： - 为数据集中的所有实体分配 URI。 - 使用 HTTP URI，确保实体可被引用。 - 用标准格式（如 RDF/XML）描述实体。 - 创建与其他相关实体 URI 的链接。 满足这些要求并公开的数据称为链接开放数据（LOD），其数据集通过 LOD 云图表示。 #### 4. 多样的注释和语法 元数据是描述网站特征和内容的结构化数据。(X)HTML 头部的元标签可描述网页的一般数据，微数据、微格式或 RDFa 可将语义、机器可读的标签作为 (X)HTML 或 XML 元素的属性值。 不同元数据技术有不同注释，如描述人物可使用 RDFa、微数据、vCard 微格式等。特殊元数据（如许可信息）也有不同表示方法，且多种元数据技术可采用多种语法。 #### 5. 元标签 20 世纪 90 年代，元元素对网页搜索结果影响较大，但后来因一些不道德的操纵排名手段（如关键词堆砌），其重要性逐渐降低。不过，元标签仍可为搜索引擎提供网页内容信息。 HTML/XHTML 中的元标签可定义多种元数据，如内容类型、作者、发布日期等。元元素有四个属性：content、http - equiv、name 和 scheme，其中 content 是必需属性。这些属性可用于指定 HTTP 头替代项、描述 (X)HTML 页面的方面以及定义语义框架。 语言、关键词、描述和 robots 属性有助于更精确的网页搜索，robots 属性可控制搜索引擎的行为。例如，可防止网页被索引、抓取、缓存等。但使用元标签防止搜索引擎索引或抓取并非最佳解决方案，建议使用 robots.txt 文件。 以下是一个典型的网页元标签示例： ```html <meta http-equiv="Content-Type" content="application/xhtml+xml; charset=utf-8" /> <meta http-equiv="Content-Style-Type" content="text/css" /> <meta name="robots" content="index, follow" /> <meta name="content-language" content="en" /> <meta name="author" content="John Smith" /> <meta name="keywords" content="My Darling, pet shop, pet accessories, dog, collar, harness, dog lead, dog kennel, dog bowl, dog coats" /> <meta name="description" content="The website of the pet shop My Darling in Tauranga, New Zealand." /> ``` #### 6. 模式、词汇表和本体 分类法或词汇表是结构化的术语集合，可作为元数据元素的值，是概念数据模式的一部分。形式化的概念结构可定义为本体，能以机器可读格式描述任何主题的复杂陈述。 命名空间可扩展标记语言的词汇表，通过 XML 命名空间机制关联属性与定义它们的模式，提供特定元数据。常见的限定名称（Qname）用于减少文档长度，如： | Qname | 命名空间 URI | | --- | --- | | dc | http://purl.org/dc/elements/1.1/ | | owl | http://www.w3.org/2002/07/owl# | | rdf | http://www.w3.org/1999/02/22 - rdf - syntax - ns# | | rdfs | http://www.w3.org/2000/01/rdf - schema# | | xsd | http://www.w3.org/2001/XMLSchema# | 语义网应用不断增加，有许多成熟的本体，如 FRBR、Creative Commons、ODRL 等。但网络本体也存在验证复杂、语义差异需解决等问题。 #### 7. 微格式 微格式（µF）是一组简单的开放数据格式，与语义网高度相关，通过应用和重用现有技术（如 (X)HTML 的 rel 属性）并引入新特性，可应用于 (X)HTML、XML、RSS 等。 微格式可通过 class、rel 和 rev 属性值表达网站结构、链接权重、内容类型和人际关系，易于编写，支持软件不断增加。不过，微格式也存在一些问题，如在 a 元素上应用多个微格式值应避免，HTML5 中部分属性（如 rev）无法使用等。 常见的微格式包括： - **hCalendar**：用于创建体育赛事、周年纪念等事件的日历条目，根类名是 vcalendar，事件根类名是 vevent，必需属性为 dtstart（ISO 日期格式）和 summary。 ```html <div class="vevent"> <h1 class="summary">Semantic Web Conference '11</h1> <div class="description">The Semantic Web Conference 2011 will take place in Pretoria, South Africa.</div> <div>Posted on: <abbr class="dtstamp" title="20110825T080000Z">Aug 25, 2011</abbr></div> <div class="uid">[email protected]</div> <div>Organized by: <a class="organizer" href="mailto:[email protected]">[email protected]</a></div> <div>Dates: <abbr class="dtstart" title="20111012T093000Z">October 12, 2011, 09:30 UTC</abbr> – <abbr class="dtend" title="20111014T200000Z">October 14, 2011, 20:00 UTC</abbr></div> <div>Status: <span class="status">Confirmed</span></div> <div>Filed under:</div> <ul> <li class="category">Conference</li> </ul> </div> ``` - **hCard**：用于表示个人、公司和组织的联系数据，基于 vCard 标准，根类名是 vcard，必需属性为 fn 和 n（n 可选）。 ```html <div id="hcard - John - Smith" class="vcard"> <img src="http://www.example.com/jsmith.jpg" alt="Photo of John Smith" class="photo" /> <a class="url fn" href="http://www.example.com">John Smith</a> <div class="org">Smith and Sons</div> <a class="email" href="mailto:[email protected]">[email protected]</a> <div class="adr"> <div class="street - address">123 Nice Street</div> <span class="locality">Vancouver</span>, <span ```