Semantic Web

Das „klassische“ (nur auf Text basierte) Web – also das Web der Dokumente, wie es von Tim Berners-Lee eingeführt und seitdem kontinuierlich erweitert wurde – basiert auf einer Reihe von Standards:

• HTML als Auszeichnungssprache für den Inhalt üblicherweise textueller Dokumente,
• URLs als Notation für Adressen von beliebigen Dokumenten (also Dateien) im Web und
• HTTP als Protokoll, um diese Dokumente abzurufen und zu bearbeiten.

Sehr bald wurden auch Bilder, in Formaten wie GIF und JPEG, in HTML-Dokumente eingebettet und ausgetauscht. Bereits im ursprünglichen Vorschlag von Tim Berners-Lee, von 1989, wies er darauf hin, dass diese Standards nicht nur zum Austausch von ganzen Dokumenten, sondern auch zum Austausch von miteinander vernetzten Daten verwendet werden können. Jedoch, wie auch andere Teile des Vorschlags (z. B. dass alle Seiten im Web leicht zu editieren sein sollten), ging das zunächst unter.

Somit sind die meisten Inhalte im heutigen Web, z. B.: natürlichsprachlicher Text, Bilder u. Videos, größtenteils unstrukturiert in dem Sinne, dass in der Struktur eines (klassischen) HTML-Dokumentes nicht ausdrücklich angegeben ist, ob es sich bei einem Stückchen Text um: einen Vornamen oder Nachnamen, den Namen einer Stadt oder eines Unternehmens, oder eine Adresse handelt. Das erschwert die maschinelle Verarbeitung der Inhalte, die angesichts der rasch wachsenden Menge an zur Verfügung stehenden Informationen wünschenswert wäre.

Die Standards des Semantic Webs sollen Lösungen für dieses Problem anbieten: einzelne Teile von Texten können nicht nur für ihr Aussehen formatiert, sondern auch mit ihrem Inhalt / ihrer Bedeutung ausgezeichnet werden, und ganze Texte strukturiert werden, so dass es Computern ermöglicht wird, Daten einfach aus den Dokumenten auszulesen.

Durch die Verwendung des gemeinsamen RDF-Datenmodells und einer standardisierten Ontologiesprache können zudem die Daten weltweit integriert und sogar implizites Wissen aus den Daten geschlossen werden.

HTML-Dokumente erhielten bereits die Möglichkeit, eine begrenzte Zahl von Metadaten festzuhalten – in dem Fall Daten über die jeweiligen Dokumente.

Mitte der 1990er Jahre begann Ramanathan V. Guha (ein Schüler McCarthys und Feigenbaums und ein Mitarbeiter des Cyc-Projektes) die Arbeit am Meta Content Framework (MCF), zunächst bei Apple und ab 1997 bei Netscape. Ziel des MCF war es, eine allgemeine Grundlage für Metadaten zu schaffen. Zur selben Zeit wurde beim Web-Standard Konsortium W3C an XML gearbeitet. Die Idee von MCF wurde dann mit der Syntax von XML verbunden, um die erste Version von RDF zu ergeben.

Der erste weit verbreitete Einsatz von RDF fand sich in RSS, einem Standard, um Feeds darzustellen und zu abonnieren. Dies fand vor allem in Blogs Anwendung, die dann durch RSS Reader abonniert werden konnten.

Obwohl zunächst meistens nur an Metadaten gedacht wurde – insbesondere Metadaten zu im Web vorhandenen Dokumenten, die dann von Indizier- und Suchmaschinen ausgewertet werden können – ist mit der Entwicklung von RDF und spätestens mit dem Artikel im Scientific American 2001 diese Beschränkung weggefallen. RDF ist ein Standard zum Austausch von Daten und keineswegs auf Metadaten beschränkt. Dennoch wird in vielen Texten zum Semantic Web veraltet nur von Metadaten gesprochen.

Die meisten Syntaxen zum Austausch von RDF – NTriples, N3, RDF/XML, JSON-LD – sind gar nicht in der Lage, direkt im Text zum Auszeichnen von Textstellen verwendet zu werden (im Gegensatz zu RDFa).

Entsprechend fand auch die Erweiterung von Uniform Resource Locators (URLs), die zum Adressieren von Dokumenten im Web verwendet werden, hin zu Uniform Resource Identifiers (URIs) statt, die zum Identifizieren beliebiger Sachen verwendet werden können, insbesondere also auch von Sachen, die in der Welt (z. B. Häuser, Personen, Bücher) oder auch nur abstrakt sind (z. B. Ideen, Religionen, Beziehungen).

Ursprünge des Semantic Web liegen unter anderem im Forschungsgebiet der Künstlichen Intelligenz, insbesondere dem Unterbereich Wissensrepräsentation. Bereits MCF baute systematisch auf einer Prädikatenlogik auf.

Logo des Gremiums zur Standardisierung des WWW

Ursprünglich waren die Attribute für Metadaten in den Dokumenten eng begrenzt: in HTML war es möglich, Schlüsselwörter, Erscheinungsdaten, Autoren etc. anzugeben. Dieser Bereich wurde dann durch die Dublin-Core-Gruppe stark erweitert und systematisch ausgebaut, wobei sehr viel Erfahrungen aus den Bibliothekswissenschaften einflossen. Doch auch das führte zu einem begrenzten Vokabular, d. h. zu einer kleinen Menge von verwendbaren Attributen und Typen. Ein so kleines Vokabular kann mit vergleichsweise wenig Aufwand von einem Computerprogramm bearbeitet werden.

Ein Ziel des Semantic Webs war es aber, beliebige Daten darstellen zu können. Dazu war es notwendig, das Vokabular erweitern zu können, also beliebige Beziehungen, Attribute und Typen zu deklarieren. Um die Deklaration dieser Vokabulare, auch Ontologien genannt, auf einer soliden formalen Basis aufzubauen, entstanden unabhängig voneinander zwei Sprachen, die in den USA von der DARPA finanzierte DARPA Agent Markup Language (DAML) und die in der EU vom Forschungsrahmenprogramm finanzierte Ontology Inference Layer (OIL) in Europa. Beide bauten auf früheren Ergebnissen aus dem Bereich Wissensrepräsentation auf, insbesondere Frames, semantische Netze, Conceptual Graphs und Beschreibungslogiken. Die beiden Sprachen wurden um 2000 schließlich in einem gemeinsamen Projekt unter Federführung des W3C vereinigt, zunächst als DAML+OIL, und schließlich die 2004 veröffentlichte Ontologiesprache Web Ontology Language (OWL).

URIs – engl. Uniform Resource Identifier – erfüllen eine zweifache Aufgabe im Semantic Web: Einerseits dienen sie als eindeutige, weltweit gültige Namen für sämtliche Sachen, die im Semantic Web bezeichnet werden. D. h., dass derselbe URI in verschiedenen Dokumenten ein und dieselbe Sache bezeichnet. Das erlaubt es, Daten einfach zusammenzufügen wie auch eindeutig zu übersetzen. Andererseits kann der URI auch als Adresse dienen, unter der man weitergehende Daten zu der bezeichneten Ressource abrufen kann, im Fall eines Dokuments das Dokument selbst. In diesem Fall ist der URI nicht von einer URL zu unterscheiden.

Obwohl jeder URI weltweit genau eine Sache identifiziert, ist es umgekehrt nicht der Fall, dass eine Sache weltweit genau von einem URI identifiziert wird – im Gegenteil, oft haben Sachen wie die Stadt Bremen, die Person Angela Merkel oder der Film Das Fenster zum Hof viele verschiedene URIs. Um die Verknüpfung zwischen diesen verschiedenen URIs zu vereinfachen, hat man verschiedene Möglichkeiten, um zu sagen, dass zwei URIs dieselbe Sache bezeichnen, z. B. durch Schlüssel oder durch explizites Verknüpfen zweier URIs mit der sameAs-Relation aus dem OWL-Vokabular.

RDF als Datenmodell basiert auf Tripeln aus Subjekt, Prädikat und Objekt. Eine Menge von RDF-Tripeln ergeben einen RDF-Graphen. Hierbei werden das Subjekt und das Objekt als Knoten betrachtet, und das Prädikat ist der Name der gerichteten Kante von Subjekt zu Objekt. Prädikate sind immer URIs, Subjekte sind üblicherweise URIs, können aber auch unbenannte Knoten (en. blank nodes) sein, und Objekte sind entweder URIs, unbenannte Knoten oder Literale. Literale sind z. B. Texte, Zahlen, Datumsangaben etc.

Unbenannte Knoten sind im Gegensatz zu mit URIs benannten Knoten nur lokal benannt, d. h., sie haben keinen global eindeutigen Namen. Wenn zwei verschiedene RDF-Graphen je einen Knoten mit dem URI http://www.wikidata.org/entity/Q42 haben, dann bezeichnet dieser Knoten per Standard dieselbe Sache. So kann ein zweiter Graph weitergehende Aussagen über dieselben Sachen machen wie der erste Graph und erlaubt es so, jedem alles über alles zu sagen. Wird jedoch in einem RDF-Graphen ein unbenannter Knoten verwendet, kann ein zweiter Graph nicht direkt Aussagen über den unbenannten Knoten des ersten Graphen machen.

Vorteile von RDF-Graphen sind, dass sie sehr regelmäßig sind – es sind nur Mengen von Tripeln – und dass sie sehr einfach zusammenzufügen sind. Zwei Graphen ergeben einen Graphen, indem man einfach deren Mengen von Tripeln vereinigt. In manchen tripelbasierten Syntaxen wie NTripel bedeutet das, dass man einfach die Dateien aneinanderhängen kann.

Das RDF-Schema (RDFS, zunächst „RDF Vocabulary Description Language“ dann aber 2014 in „RDF Schema“ umbenannt) wurde definiert, um Klassen von Sachen und deren Eigenschaften zu definieren und diese dann in formale Beziehungen zueinander zu setzen. Zum Beispiel kann mit RDFS ausgesagt werden, dass die Eigenschaft http://purl.org/dc/elements/1.1/title im Englischen title und im Deutschen Titel genannt wird. Zudem kann eine Beschreibung aussagen, dass diese Eigenschaft für den Titel eines Buches benutzt werden soll. Neben diesen natürlichsprachlichen Beschreibungen, erlaubt RDFS es auch, formale Aussagen zu treffen: z. B. dass alles, was die genannte Eigenschaft hat, zur Klasse http://example.org/Buch gehört, oder dass alles, was zu dieser Klasse gehört, auch zur Klasse http://example.org/Medium gehört.

Die Web Ontology Language (OWL) erweitert RDFS um weitaus ausdrucksstärkere Elemente, um die Beziehungen zwischen Klassen und Eigenschaften weiter zu präzisieren. So erlaubt OWL z. B. die Aussage, dass zwei Klassen keine gemeinsamen Elemente enthalten können, dass eine Eigenschaft transitiv zu verstehen ist, oder dass eine Eigenschaft nur eine bestimmte Anzahl von verschiedenen Werten haben kann. Diese erweiterte Ausdrucksstärke wird vor allem in Biologie und Medizin eingesetzt. Vokabulare werden hierbei oft austauschbar als Ontologien bezeichnet, letztere sind öfter stärker formalisiert als Vokabulare.

Die Definition dieser Begriffe selbst findet nicht durch das W3C in einem allgemein gültigen Vokabular statt, sondern jeder kann, in derselben Weise wie auch die Daten selbst veröffentlicht werden, eigene Vokabulare veröffentlichen. Dadurch gibt es keine zentrale Institution, die alle Vokabulare definiert. Die Vokabulare sind insofern selbstbeschreibend, als sie, genauso wie die Daten, in RDF und als Linked Open Data veröffentlicht werden können und damit Teil des Semantic Webs selbst.

Über die Jahre wurden zahlreiche Vokabulare entwickelt, von denen aber sehr wenige einen weiteren Einfluss erreichen konnten. Nennenswert sind hierbei Dublin Core für Metadaten zu Büchern und anderen Medien, Friend Of A Friend zum Beschreiben eines sozialen Netzwerks, Creative Commons zur Darstellung von Lizenzen, und einige Versionen von RSS zum Darstellen von Feeds. Ein besonders weit verbreitetes Vokabular wurde das durch die Zusammenarbeit der größten Suchmaschinen und Portale 2011 gestartete Schema.org, welches viele verschiedene Bereiche abdeckt.

RDF ist ein Datenmodell und keine konkrete Serialisierung (sprich, in welcher Syntax die Daten genau ausgetauscht werden). Lange Zeit war RDF/XML das einzige standardisierte Serialisierungsformat, doch war es sehr bald klar, dass RDF – mit dem Graphenmodell und der Basis in Tripeln – und XML – welches auf einem Baummodell aufbaut – nicht besonders gut zueinander passen. So haben sich über die Jahre weitere Serialisierungsformate verbreitet, wie z. B. die miteinander verwandten N3 und Turtle, die dem Tripelmodell wesentlich näher sind.

Zwei Serialisierungsformate sind besonders erwähnenswert, weil sie pragmatisch neue Anwendungsfelder eröffneten, RDFa und JSON-LD.

RDFa ist eine Erweiterung der HTML-Syntax, die es erlaubt direkt in der Webseite selbst Daten einzubinden. Dadurch kann z. B. eine Person mit ihrer Adresse, ein Konzert mitsamt Ort und Zeit, ein Buch mitsamt Autor und Verlag etc., gleich in der Webseite selbst ausgezeichnet werden. Durch den Einsatz vor allem in Schema.org und der Verwendung in den meisten Suchmaschinen ist innerhalb von zwei Jahren die Menge an RDF im Web enorm gewachsen: 2013 hatten mehr als vier Millionen Domains RDF-Inhalte.

JSON-LD versucht für Webentwickler möglichst nah an der gewohnte Nutzung von JSON als Datenaustauschformat zu bleiben. Hierbei werden die meisten Daten als einfache JSON-Daten ausgetauscht, und in einem Kontext-Datensatz wird festgelegt, wie die JSON-Daten nach RDF umgewandelt werden können. JSON-LD findet heute recht weite Verbreitung, um Daten in anderen Formaten einzubetten, z. B. in E-Mails oder in HTML-Dokumenten.