[[379872]]

【引子】 “海內存知己，天涯若比鄰”， 這是石頭兄弟推薦給我的一篇關于語義網的綜述性文章，刊載于《美國計算機學會通訊》第64卷第2期——“A Review of the Semantic Web Field”(https://cacm.acm.org/magazines/2021/2/250085-a-review-of-the-semantic-web-field/fulltext)，作者是Pascal Hitzler。老碼農認真研讀，頗有收獲，編譯成文。

“語義網”(Semantic Web)和“人工智能”一樣，都指的是一個研究領域，而不是一個具體的產品。語義網是一個豐富的研究和應用領域，借鑒了計算機科學內部或鄰近的許多學科。有時候，人們使用“語義網技術”這個術語被用來描述這一領域中出現的一系列方法和工具，以避免術語上的混淆。語義網領域不僅在研究和應用的方法和目標方面非常不同，而且有許多不同但又相互關聯的次級社區，每個社區都可能對該領域的歷史和當前狀況作出相當不同的敘述。

那么，語義網是一個關于什么的研究領域呢?答案可能是主觀的，因為在這個領域里沒有明確的共識。

一種觀點認為，該領域的長期目標是創建語義網產品 ，以及創建、維護和應用所需的所有必要工具和方法。相對于目前大多數主要面向人類消費的網絡，這里的語義網通常被設想為機器可理解的信息以及利用這些信息的服務(智能代理)來增強當前的互聯網。這種觀點可以追溯到2001年《科學美國人》的一篇文章，可以說標志著這個領域的誕生。在這種情況下，提供機器可理解的信息是通過為數據賦予元數據來完成的。在語義網中，這些元數據通常采用本體論的形式，或者至少是一種具有基于邏輯語義的形式語言，允許對數據的意義進行推理。如果再加上智能代理將利用這些信息的理解，會發現語義網領域與人工智能領域有著顯著的重疊。事實上，在過去大多數主要的人工智能會議上，都有明確的“語義網”的印記。

另一種更近期的觀點是，語義網領域的開發方法及工具與互聯網無關的應用，即使不使用機器可理解的數據建立智能代理，這些應用也能提供附加值。事實上，早期業界對這個領域的興趣，旨在將語義網技術應用于信息集成和管理。從這個角度來看，可以說這個領域是關于建立高效的(即低成本的)數據共享、發現、集成和重用的方法和工具，而互聯網在這方面可能只是數據傳輸的工具。這種理解使它更接近數據庫，或者數據科學的數據管理部分。

通過將語義網描述為以 W3C 標準 RDF、 OWL 和 SPARQL 為核心來研究本體論、關聯數據和知識圖譜的基礎和應用，可以對該領域進行限制，但實際上可能是相對精確的描述。

或許，這幾個視角都有各自的優點，語義網的研究領域存在于它們的融合之中，本體論、關聯數據、知識圖譜是這個領域的關鍵概念，圍繞 RDF、 OWL 和 SPARQL 的 W3C 標準構成了技術交流方式，它們在語法(在某種程度上是語義)層面上達成了統一; 語義網領域應用的目的是建立有效的數據共享、發現、集成和重用的方法(無論是否針對 Web) ; 作為驅動力的長期愿景是在的某個時刻，將語義網建立為一個完整的基于智能代理的應用環境。

“治學先治史”，讓我們看看過去這些年語義網領域出現的關鍵概念、標準和突出成果。

語義網的發展階段

當一個研究領域誕生時，確定任何特定的時間點當然是有爭議的。然而，2001年 Berners-Lee 等人在《科學美國人》上發表的一篇文章是一個早期的里程碑，為這一新興領域提供了重要的線索。而且，那是在世紀之初，當時語義網領域在社區規模、學術生產力和最初的產業興趣等方面處于非常重要的上升初期。

但是，已經有人在早期做出了努力。從2000年運行到2006年的DAML項目，目標是開發一種語義 Web 語言和相應的工具。由歐盟資助的 On-To-Knowledge 項目，運行于2000-2002年，產生了 OIL 語言，后來與 DAML 合并，最終產生了網絡本體語言的W3C標準。為網絡數據賦予機器可讀或“可理解”的元數據，這一更為普遍的想法可以追溯到互聯網本身的起源。例如，早在1997年就發表了資源描述框架(RDF)的初稿。

從21世紀初開始，可以分為三個相互重疊的階段，每個階段都由一個關鍵概念驅動，也就是說，語義網領域的主要焦點至少轉移了兩次。第一階段是由本體論驅動的，它跨越了21世紀初到21世紀中期; 第二階段是由關聯數據驅動的，一直延伸到21世紀10年代初。第三階段到現在都是由知識圖譜驅動的。

本體論

在21世紀的大部分時間里，這個領域的工作都以本體論為中心，當然，這個概念有著更為古老的淵源。本體是共享概念化的一個正式的、明確的規范ーー盡管有人可能認為這個定義仍然需要解釋，但還是相當通用的。在一個更精確的意義上 ，本體論實際上是一個概念(即，類型或類別，如“哺乳動物”和“胎生動物”)及其關系(如“哺乳動物產下胎生動物”)的知識庫，在一個基于形式邏輯的本體語言中指定。在語義網上下文中，本體是數據集成、共享和發現的主要工具，一個重要的思想是本體本身應該可以被其他人重用。

2004年，網絡本體語言的OWL成為了W3C 標準，為該領域提供了進一步的燃料。OWL的核心是基于描述邏輯，也就是說，基于一階謂詞邏輯的子語言，只使用一元謂詞和二元謂詞，限制使用量詞，設計的方式使得語言上的邏輯演繹推理是可判定的。

同樣在2004年，資源描述框架(RDF)也成為了W3C標準。本質上，RDF是一種用于表達標記化并類型化的有向圖的語法，它使用OWL指定類型及其關系的本體，然后在RDF圖中使用這些類型，并將這些關系作為邊。從這個角度來看，OWL本體可以作為RDF圖的模式(或類型邏輯)。

一個用于RDF查詢語言的 W3C 標準，稱為 SPARQL，在2008年發布，在2013年進行了更新，3與 OWL 更加兼容。在RDF、 OWL和SPARQL周邊的其他標準已經或正在開發，其中一些已經獲得了重大的進展，例如，語義傳感器網絡本體論或起源本體論，以及SKOS 簡單知識組織系統。

通過在W3C的所有這些關鍵標準，與其他關鍵 W3C 標準之間的基本兼容性得到了維護。例如，XML 作為RDF和OWL的語法序列化和交換格式。所有 W3C 語義 Web 標準還使用 IRI 作為 RDF圖中的標識符，并使用了OWL類名和數據類型標識符等。

在語義網上下文中，本體是數據集成、共享和發現的主要工具，一個重要的思想是本體本身應該可以被其他人重用。

DARPA的 DAML 項目在2006年結束，隨后在基礎語義網研究方面幾乎沒有大規模的資助項目。因此，大部分相應的研究要么轉移到應用領域，比如醫療保健或國防領域的數據管理，要么轉移到相鄰的領域。相比之下，歐盟的框架方案，特別是 FP6(2002-2006)和 FP7(2007-2013) ，為基礎和面向應用的語義網研究提供了大量資金。在語義網研究社區的組成中，可以看到這個社區主要是歐洲人。社區的規模難以評估，但自2000年代中期以來，該領域的主要會議——“國際語義網會議”平均每年吸引了600多名參與者。

工業界的興趣從一開始就很大，但幾乎不可能描述關于工業活動相關水平的可靠數據。主要和較小的公司已經參與了大規模的基礎或應用研究項目，特別是根據歐盟 FP 6和7。工業界的興趣已經改變了研究團體的焦點。

一些大規模的本體論(通常早于語義 Web 社區)在這個時期成熟了。例如，于1998年開始的基因本體論，現在已經是一個非常突出的資源。另一個例子是 SNOMED CT，它可以追溯到1960年，但現在已經在OWL中完全正式化，并廣泛用于電子健康記錄。

正如計算機科學研究中經常出現的情況一樣，在2005年前后，人們最初對短期取得突破性結果的期望開始降低，開始更為冷靜看待這一問題。大多數本體論是在這一時期開發的，其形式通常是基于臨時建模的意義，作為開發本體論的方法，但尚未產生具體的結果，結果是難以維護和重用。這一點，再加上當時開發良好的本體論所需的大量前期成本，為研究團體轉移注意力鋪平了道路，這也許可以被理解為與21世紀初強烈的基于本體論的方法相對立。

關聯數據

2006年見證了“關聯數據”的誕生，如果重點是在免費許可下的開放、公開和可用性，則稱為“關聯開放數據”。關聯數據很快成為語義網研究和應用程序的主要驅動力，并一直持續到2010年左右。

關聯數據由一組RDF圖組成，這些RDF圖是關聯的，因為圖中的許多IRI標識符也出現在其他的圖中，可以是多個圖中。從某種意義上說，所有這些關聯的RDF圖集合可以理解為一個非常大的 RDF 圖。

如下圖所示，公開可用的關聯RDF圖的數量在第一個十年中在顯著增長; 數據來自關聯開放數據云網站，該網站并不包含所有RDF數據集。2015年的一篇論文報道了“來自超過65萬個數據文檔的超過370億個三元組”，這也只是所有可以在互聯網上自由訪問的 RDF三元組的集合。例如，大型數據提供者通常只提供基于SPARQL的查詢接口，或者使用RDF進行內部數據組織，但只通過Web 頁面向外部提供服務。關聯開放數據云中的數據集覆蓋了各種各樣的主題，包括地理、政府、生命科學、語言學、媒體、科學出版物和社交網絡。

隨著時間的推移，關聯數據開放云中 RDF 圖的數量

其中最著名和最常用的關聯數據集是 DBpedia，這是從 Wikipedia (以及最近的 Wikidata)中提取的關聯數據集。2016年4月發布的數據集包括了約600萬個實體和約95億個RDF三元組。由于其廣泛的主題覆蓋(基本上是維基百科中的所有內容) ，而且它是最早提供的鏈接數據集之一，DBpedia 在關聯數據開放云中發揮著核心作用: 許多其他數據集都會鏈接到它，因此它已成為關聯數據的樞紐。

從一開始，業界就對關聯數據產生了濃厚的興趣。例如，BBC是第一個重要的行業貢獻者，紐約時報公司和Facebook是早期采用者。然而，業界的興趣似乎主要在于利用關聯數據技術進行數據集成和管理，而這些數據往往不會在開放的互聯網上顯示出來。

在關聯數據的時代，本體論扮演了一個不那么重要的角色。它們通常被用作模式，可以告知RDF 數據集的內部結構，然而，相對于本體論時代的過度承諾和深度研究，關聯數據云中的RDF圖中的信息是膚淺和相對簡單的。在這段時間里，人們有時會說本體論不能被重用，而且一種更簡單的方法，主要基于利用 RDF 和數據集之間的鏈接，對于數據集成、管理和線上線下的應用程序有著更現實的作用。也正是在這個時期，基于RDF的數據組織詞匯表與本體的關系并不大。

也正是在這段時間(2011年)里，schema.org 登場了。最初由Bing、 Google 和雅虎推動，后來yandex也加入進來，公開了一個相對簡單的本體論體系，并建議網站提供商使用schema.org的詞匯表在各自的網站上注釋(即鏈接)實體。作為回報，schema.org背后的 Web 搜索引擎提供商承諾通過利用注釋作為元數據來改善搜索結果。在2015年，大約有超過30% 的頁面使用了schema.org的注釋。

2012年發起的另一個重要項目是Wikidata，該項目最初是德國wikimedia協會的一個項目，由谷歌、 Yandex 和Allen人工智能研究所等機構資助。Wikidata 基于與維基百科類似的想法，即眾包信息。然而，維基百科提供了百科全書式的文本(以人類讀者為主要消費者) ，Wikidata 則是關于創建可用于程序或其他項目的結構化數據。例如，許多其他wikimedia包括維基百科，使用Wikidata提供一些信息，然后呈現給人類讀者。Wikidata已經擁有了超過6600萬個的數據項，自項目啟動以來已經進行了超過10億次的編輯，并且有超過20000個活躍用戶。

在21世紀10年代早期，關聯數據的最初炒作開始讓位于一種更為冷靜的觀點。雖然關聯數據確實有一些突出的用途和應用，但結果表明，集成和利用關聯數據需要比最初的預期付出更多的努力。可以說，用于關聯數據的淺顯的非表達性模式似乎是可重用性的一個主要障礙，最初期望數據集之間的相互聯系會以某種方式解釋這一弱點，但似乎并沒有實現。這不應被理解為貶低了鏈接數據給該領域及其應用帶來的重大進展: 僅僅以某種結構化的格式提供數據，遵循一個突出的標準，就意味著可以使用現有工具訪問、集成和管理數據，然后進行利用。這比以語法和概念上更加異構的形式提供數據要容易得多。但是，尋求更有效的數據共享、發現、集成和重用的方法當然和以往一樣重要，而且正在開始。

知識圖譜

2012年，當谷歌推出它的知識圖譜時，一個新的術語出現了。例如，可以通過在 google 網站上搜索知名實體來查看 Google知識圖譜的部分內容: 在鏈接到網頁的搜索結果旁邊顯示一個所謂的信息框，顯示來自Google知識圖譜的信息。下圖給出了這種信息框的一個例子，搜索 Kofi Annan 就可以找到這個例子。人們可以通過跟隨一個超鏈接從這個節點導航到圖譜中的其他節點，例如，到 Nane Maria Annan，她與 Kofi Annan 節點有配偶關系。在這個鏈接之后，Nane Maria Annan 的一個新的信息框被顯示在同一個詞的搜索結果旁邊。

在 google 上搜索“ Kofi Annan”后的 Google知識圖譜節點

雖然 Google 沒有提供可下載的知識圖譜，但它提供了內容訪問的API，這個API 使用標準的schema.org類型，并且滿足JSON-LD格式，這實際上是W3C RDF 標準化的另一種語法。

然而，考慮到語義網技術的歷史，特別是之前討論過的關聯數據和本體論，知識圖譜仿佛是一種直接來自語義網領域的新構想，關注的重點發生了顯著轉變。

其中一個不同之處在于開放性: 正如關聯開放數據這個術語從一開始就暗示的那樣，語義網社區的關聯數據工作大多以開放共享數據為其目標之一，這意味著關聯數據大多可以免費下載，或者由支持SPARQL的服務提供，并且重要的是在社區中使用非限制性許可。wikidata作為一個知識圖譜也是開放共享的。相比之下，圍繞知識圖譜的活動往往是由行業主導的，而主要的應用并不是真正開放的。

另一個區別是集中控制與自下而上的社區貢獻: 在某種意義上，關聯數據云是目前已知最大的現有知識圖譜，但它不是一個簡潔的實體。相反，它由松散且相互關聯的單個子圖組成，每個子圖都由它自己的結構、表示模式等控制。相比之下，知識圖譜通常被理解為更具內部一致性和更嚴格控制的組件服務。因此，對于沒有嚴格質量控制的外部圖表的價值受到質疑，而內容和/或基礎模式的質量受到更多關注。

最大的區別可能是從學術研究到工業應用的轉變。因此，圍繞知識圖譜的活動是由強大的工業用例及可感知的附加價值推動的，沒有公開的正式評估。

語義網與其他領域和學科的關系

與機器學習那樣的其他領域不同，語義網領域主要不是由該領域固有的某些方法驅動的。相反，它是由一個共同的愿景驅動的，因此，它根據需要借鑒了其他學科。

例如，語義網領域作為人工智能的一個子學科，與知識的表示有著密切的關系，因為知識圖譜和本體論來表示語言可以被理解，而且與知識表示的語言密切相關，描述邏輯作為支撐網絡本體語言 OWL的邏輯學，發揮著核心作用。語義網的應用需求也推動或啟發了描述邏輯的研究，以及對不同知識表示方法(如規則和描述邏輯)之間橋接的研究。

數據庫領域顯然是密切相關的，如(元)數據管理和圖的結構化數據有一個自然的家園，也是重要的語義網領域。然而，語義網研究的重點主要集中在異構數據源的概念集成上;，例如，如何克服不同的數據組織方式; 在大數據術語中，語義網的重點主要是數據的多樣性。

自然語言處理作為一種應用工具，在知識圖譜和本體集成、自然語言查詢應答、文本知識圖譜或本體構造等方面發揮著重要作用。

機器學習，特別是深度學習，正在改進語義網上下文中困難任務的處理能力，例如知識圖譜補全，數據清洗等等。與此同時，語義網技術正在研究提高人工智能的可解釋性。

在網絡物理系統和物聯網的某些方面也正在研究使用語義網技術，例如，在智能制造(工業4.0)、智能能源網和智能建筑等等。

生命科學的一些領域受益于語義網技術已經有相當長的歷史了，例如，前面提到的 SNOMED-CT 和基因本體論。一般來說，生物醫學領域是語義網概念的早期采用者。另一個突出的例子是由語義網技術驅動的ICD開發。

語義網技術其他潛在的應用領域可以是任何需要數據共享、發現、集成和重用的場景，例如在地球科學或數字人文學科。

語義網的未來

毫無疑問，語義網領域的宏偉目標尚未實現，無論是將語義網作為一個產品來創建，還是為數據共享、發現、集成和重用提供解決方案，使其變得完全容易和輕松。正如關于知識圖譜、schema.org和生命科學本體論的討論所證明的那樣，這并不意味著中間結果沒有實際用途。

然而，為了向更大的目標前進，幾乎每一個子領域的語義網都需要進一步的發展。例如，工業知識圖譜，本體匹配，信息抽取等等。與其重復些清單，不如讓把重點放在當前的短期主要障礙的挑戰上。

在語義網社區及其應用社區中，關于如何有效的處理數據管理問題有著豐富的軟硬知識。然而，剛剛采用語義網技術的人們經常發現自己面臨著一種不和諧的聲音，面對不同方法的推銷，但幾乎沒有關于這些不同方法的利弊介紹。還有那些工具包，從不適合實踐的粗糙原型到針對特定子問題而精心設計的軟件，但同樣沒有什么指導，到底哪種工具，哪種方法，將最有助于用戶實現自己的特定目標。

因此，在這個階段，語義網領域最需要的可能是整合。作為一個固有的應用驅動領域，這種合并會在其各個子領域進行，從而形成面向應用的流程，這些流程的目標和優缺點都有詳細的文檔記錄，同時還有易于使用和支持整個流程的集成工具。一些著名的流行軟件，如OWL API，Wikidata的底層引擎Wikibase，或者ELK推理機，都是強大且非常有幫助的，但是在某些情況下，盡管它們都使用了 RDF 和 OWL 進行序列化，仍然不能輕松地相互協作。

誰可能是這種整合的驅動力呢?

對于學術界而言，開發并維護穩定易用軟件的動機往往有限，因為學術成績(主要以出版物和獲得的外部資金總額衡量)往往與這些活動不相符。編寫高質量的入門教科書是非常耗時且回報很少的學術成績。然而，通過開發各種范式之間的橋梁解決方案，以及通過與應用領域合作開發和實現用例，學術界確實為整合提供了一個基礎。

在工業界，各種各樣的整合已經發生，初創企業和跨國公司采用語義網技術就是明證。但是，不論是技術細節還是其內部采用的軟件，通常是不共享的，大概都是為了保護自己的競爭優勢。如果確實如此，那么相應的軟件解決方案變得普及將只是時間的問題。

小結

在語義網存在的第一個近20年里，語義網領域已經產生了豐富的關于數據共享、發現、集成和重用的高效數據管理的知識。通過語義網的應用，可以很好的理解這個領域的主要貢獻，包括 Schema.org，工業知識圖譜，Wikidata，本體建模應用等。這些應用背后的關鍵科學發現是什么呢?然而，這個問題更難回答。語義網的進步需要許多計算機科學子領域的貢獻，而其中一個關鍵任務就是如何將這些貢獻整合起來，以便提供適用的解決方案。從這個意義上說，這些應用展示了整個領域的主要進展。

主流工業界正在采用語義網技術，然而，尋求更有效的數據管理解決方案遠遠沒有結束，仍然是該領域的驅動力。