A szemantikus web a W3C által adott hivatalos meghatározás szerint szabványok rendszere: „A szemantikus web egy közös keretet biztosít az adatok határok nélküli megosztására és újrahasznosítására az alkalmazások, intézmények és közösségek között ...” A szemantikus webet mint fogalmat először Tim Berners-Lee írta le 2001-ben. Valójában a szemantikus web az adatoknak és az adatokhoz kapcsolható (különböző) jelentéseknek az alkalmazások közötti megosztására szolgáló legjobb módszerek szabványainak bonyolult rendszere.
A szemantikus web adatelemeket és nem weblapokat kapcsol össze. Ez az adatkapcsolt modell újszerű összefüggéseket tár fel az emberek, az üzleti világ, különböző közösségek számára, megkönnyítve a tudás megszerzését és terjesztését.
A szemantikus web nem egy vállalat, nem egy szoftver, de még csak nem is egy keresőmotor. Ezért nem is helyettesíti a keresőket. Az RDF használata a hagyományos adatbázisok indexei helyett összefüggések leírásakor sok előnyt nyújt. Ez a szemantikus keresés a mindennapokban az élet sok területén plusz értékkel bír.
A szemantikus web nem katalógusrendszer. Valójában egy szemantikusweb-megoldás nem tartalmaz katalóguscédulákat, sokkal inkább katalógusdobozokat üres cédulákkal. Egy szabályrendszer, ami hátteret biztosít katalogizáláshoz is.
A szemantikus web kialakulása Berners-Lee a webet elsősorban emberek által olvasható dokumentumok megosztására tervezte. A jelenlegi weblapok döntő többségén az információk eléréséhez ki kell tölteni egy keresőképernyőt majd az e célra szolgáló ablak megfelelő mezőjében elolvasni a megjelenő információt. Amennyiben az így elérhető adatokat automatizáltan kívánjuk feldolgozni, mint ahogy ezt a szállodai szobafoglalás, repülőjegy vásárlás stb. alkalmával a legtöbb utazási iroda teszi, akkor az erre szolgáló alkalmazás az információt egy meglehetősen nehézkes screen scraping ("képernyő kaparás") technikával végzi. Ez azzal jár, hogy az alkalmazásokat minden alkalommal újra kell írni, ha az információt szolgáltató webhelyen a HTML kódot módosítják. A problémának a megoldására dolgozta ki Berners-Lee 2009-ben a Linked data fogalmát és a W3C a hozzá tartozó eljárásokat és szabványokat. A cél, hogy programok a web infrastruktúráját használva screen scraping nélkül érjék el a nyilvános weblapok adatait. A mindennapokban így működnek a különböző levelező és közösségi programok, amikor automatikusan töltik ki a felhasználó naptárját az általa figyelt nyilvános weblapokon megjelenő előadások időpontjával és más információkkal. Ehhez az kell, hogy a figyelt weblapok azonosításra URI-t használjanak és az adatok megfeleljenek a RDF és SPARQL szabványoknak. Összefoglalva: URI használata a dolgok nevének megadására. a HTTP protokollon URI-k használata dolgok elérésére és feloldására. Használható információ (leírás) arról hogy az adott név minek az azonosítására szolgál. Erre a RDF, SPARQL vagy esetleg más szabvány használata. Más dolgok, weben történő nyilvánosságra hozatalakor, azokra szintén HTTP URI alapú néven kell hivatkozni.
Az igény hogy, a szemantika leegyszerűsítve a ”szavak jelentése” a számítógép számára érthető legyen Richard Hook Richens a számítógépes nyelvészet egyik kezdeményezőjének a művében már nagyon hamar a számítógépek megjelenését követően 1956-ban megjelent. A nagyjából az időben megalkotott LISP programnyelv használta is az asszociációs listákat ilyen megfontolásból. Ekkor dolgozzák ki az RDF szabványban fontos szerepet kapott szemantikus hálózat fogalmát is.
A Linked Data elve és a hozzákapcsolódó szabványok biztosítják az az adatok könnyű cseréjét és az URI segítségével minimális szemantikai tudást is kapcsolhatunk ezekhez az elemekhez. Nyilván nem tudhatom, hogy például a PIM57433 mire hivatkozik. De ha a https://opac-nevter.pim.hu/en/record/-/record/PIM57433 URI-t látom tudom, hogy az a Petőfi Irodalmi Múzeum névterére hivatkozik és ezt a formátumot a számítógépek is megértik. A W3C ontológiai nyelve az OWL egy csomó kiegészítő információt is kapcsolhat egy URI-hoz. Például a „házastárs” egy szimmetrikus információ ha A házastársa B-nek akkor B is házastársa A-nak. Vagy a tél ellentéte a nyár a háború ellentéte a béke.
A szemantikus web az információ megosztás általánosan elterjedt megoldásává vált. Az egyik legjelentősebb szemantikus web megoldás az Európai Bizottság 2011/833/EU határozatával életre hívott és 2012-ben felállított portál: Az Európai Unió Nyílt Adatportálja (European Union Open Data Portal (EU ODP)). Ez összeköti 26 tagállam kormányzatának a nyílt adatbázisait. Biztosítva ezek összekapcsolását és egyben az Unió szervezetei és polgárai számára az azokban tárolt információk elérését, lekérdezését modern SPARQL lekérdezések segítségével. Az együttműködésben csak Magyarország és Lettország kormánya nem vesz részt.
Az egységes erőforrás-azonosító
A keresett erőforrások kompakt leírására dolgozta ki Berners-Lee a mindenki által ismert egységes erőforráshely-leírót az URL-t. Ez pontosan megmondja, hogy a keresett erőforrás milyen protokollon érhető el és megadja a célgépet valamint a célgép fájlrendszerén belül a keresett erőforrás pontos helyét. Ezen a helyen egy fájlt találunk aminek a formátuma bármi lehet. Emberi fogyasztásra általában HTML formátumot használnak, de lehet ez egy .doc vagy .pdf. Tulajdonképpen bármilyen kiterjesztésű fájl állhat ott.
Az emberek többsége ennek alapján úgy gondolja, hogy minden ami HTTP(S):-el kezdődik az egy weblap, de ez egyáltalán nem így van. Ezt elkerülendő vezették be az egységes erőforrás-nevet az URN-t. Az URN egy egy adott névtéren belül használt helyfüggetlen azonosító. Tipikusan valamilyen hatóság, nemzetközi szakmai szervezet kezeli globális értelemben egyedi és hosszú időn keresztül állandó, alkalmasint még akkor is amikor az általa azonosított erőforrás már nem elérhető.
Az egységes erőforrás-azonosítót URI-t az URL és az URN egységes szabványba illesztésére alkották meg 2005-ben Az URI segített megoldani egy égető problémát. Az XML jelölő nyelv egyre népszerűbb lett és az XML-t használó fejlesztők speciális feladatok megoldására egyre inkább elkezdték kombinálni a különböző domainokban található elemeket. Fel kellett oldani azt a problémát, hogy ugyanaz az elnevezés különböző domainokban mást és mást jelenthet. Erre kiválóan alkalmas egy URI. Hogy megértsük ennek a működését vegyük az előző fejezetben szereplő URI-t: https://opac-nevter.pim.hu/en/record/-/record/PIM57433 Ez egy MARCXML rekordra mutat. Ezt a rekordot a Petőfi Irodalmi Múzeum informatikusainak köszönhetően, a MARCXML sorra kattintva, ki is bonthatjuk. Itt a második sorban egy újabb URI-t találunk: <collection xmlns="http://www.loc.gov/MARC21/slim">. Ez jelzi, hogy a collection szakasz az Kongresszusi Könyvtár Marc21 szabvány alapján épült fel. Ezt a szabványt világszerte használják a könyvtárak. Tetszőleges alkalmazás a szabványos "tag"-eket felhasználva automatikus lekérdezéseket végezhet. Konkrétan ha valamelyik alkalmazás Hankiss Elemér foglalkozása után érdeklődik, a fenti két URI segítségével automatikusan kiolvassa azt, illetve ebben az esetben azokat, a <datafield ind1="1" ind2="3" tag="010"> "tag"-ekből.
Az erőforrás-leíró formátum
Az erőforrás-leíró formátumról (RDF), ami szintén egy W3C szabvány, bevezetőben a következőket kell tudni: Az RDF egy adatmodell. A tárolt információk alapegységeit az úgynevezett hármasok (triple) adják. Egy hármas áll egy szubjektumból egy predikátumból és egy objektumból. Klasszikus filozófia értelemben egy ilyen hármas tekinthető egy ítéletnek is. Egy erőforrás-leíró hármas értelmezhető úgy, hogy az áll: egy erőforrás-azonosítóból (szubjektum), egy tulajdonság (property) nevéből, és egy tulajdonság (property) értékéből. Pl. Hankiss Elemér – ez egy – ember, Hankiss Elemér – utóneve – Elemér stb… Egy hármas információinak egyértelműségét az biztosítja, hogy a szubjektumok és a predikátumok kötelezően URI-k. Az objektumok lehetnek URI-k de lehetnek sima értékek is.
Ha egy objektum URI az biztosítja a lehetőséget más adatbázisban további szemantikus kapcsolatok feltárására. A lenti ábrában ilyen URI a PIM-azonosítóhoz kapcsolt érték a PIM57433 (https://opac-nevter.pim.hu/record/-/record/PIM57433) ami átvezeti a Petőfi Irodalmi Múzeum névterébe.
Egy RDF tárolása diszken
Egy RDF tárolását biztosító bájtszekvenciát, amit valahol egy diszken tárolunk, tisztán technikai értelemben szerializációnak hívjuk. Mivel vannak olyan operációs rendszerek, amik nem ismerik a fájl fogalmát, a fájl fogalma helyett ezt a terminológiát szokás használni. A gyakorlatban minden RDF szerializáció egy szövegfájl. Több szerializációs szabvány van, ezek különböző szintaxist alkalmaznak a hármasok reprezentációjára. Az lényegtelen, hogy ezeket a hármasokat egy diszken tároljuk, vagy valamilyen adatbázisból dinamikusan generálja valamilyen alkalmazás.
RDF/XML, A legrégebben alkalmazott RDF szerializáció. A szabványa 1999-ben mint az RDF specifikáció része jelent meg. Turtle, A legnépszerűbb RDF szerializáció. Jól olvasható, egyszerűen kezelhető. N-Triples, Egyszerű, könnyen használható nem annyira tömör mint a Turtle. N-Quads, Az N-Triples tovább fejlesztett változata bonyolult RDF gráfok szerializációját is biztosítja. JSON-LD, Egy JSON alapú szerializáció.
Ha nagy mennyiségű RDF-hármast kell tárolni, attól függetlenül, hogy az RDF/XML vagy Turtle formátumban van, nem igazán használható megoldás egy nagy szöveges fájl. Egy hagyományos relációs adatbázis (MySQL, DB2, vagy Oracle) indexeli az adatokat, és index segítségével dönti el, hogy melyik adatot kell a memóriába beolvasni és mikor. A legjobb megoldás az RDF-hármasok tárolására optimalizált adatbázis-kezelő. Természetesen vannak ilyen adatbázis-kezelő megoldások, triplestore-ok). (pl.: 3store, OpenLink Virtuoso, Wikibase stb.
Amennyiben az adatainkat egy relációs adatbázisban tartjuk akkor az adatbázis-menedzser a lekérdezéseket szabványos query nyelven, SQL-ben végzi. Jelenleg nincs olyan szabvány, ami weben keresztül lehetővé tenné relációs adatbázis közvetlen SPARQL-lekérdezését. A fejlesztők számára egyszerűbb az adatbázisok nyilvánossá tételekor egy middleware réteg installálása. Ez a köztes szoftver fogadja a SPARQL-lekérdezéseket, lefordítja azokat a relációs adatbázis adatit jól kezelő SQL query-re, és a válaszból egy SPARQL kompatibilis XML-fájlt generál. Ilyen például az D2RQ vagy a Virtuoso Sponger.
SPARQL
A szemantikus webben tárolt adatok lekérdezésére SPARQL lekérdező nyelvet használjuk. Ez szintén egy W3C szabvány . Legutolsó 1.1-es változata 2013-ban került publikálásra.
A SPARQL egy RDF-hez tartozó szabványos lekérdező nyelv (query language), olyan a triplestore-ok esetén, mint az SQL a hagyományos relációs adatbázisoknál. Azok akik ismerik az SQL-t, találnak hasonlóságot a két nyelv logikája között, de új kulcsszavakat is meg kell tanulni mint pl.: OPTIONAL, vagy FILTER. Fentebb az RDF-nél láttuk, egy hármas egy szubjektumból, egy predikátumból és egy objektumból áll. Ennek megfelelően a lekérdezéseknél is hasonló hármasokkal dolgozunk. A SPARQL-lekérdezés RDF-adatbázisokon fut. A SPARQL az adatbázisban található hármasokat egyezteti a lekérdezésben megadottakkal. Az adatbázisoknak kell, hogy legyen SPARQL-végpontjuk. Különösen fontos ez, ha nem triplestore-ban hanem hagyományos adatbázisban vannak az adatok.
Példa
A SELECT és a WHERE kulcsszavakat ismerjük az SQL-ből. A query 5 hármasra kérdez rá. Mivel a Wikidata SPARQL-végpontja nem ismeri fel az ékezetes betűket, azokat a példában nem tudjuk használni. A hármasok szintén az angol nyelvtani szabályokat követik. Az 5 sor szubjektuma = folyó; predikátuma = országban van; objektuma = Magyarország.