Mikroformaty, RDFa, Inicjatywy Open*

Transkrypt

1 Mikroformaty, RDFa, Inicjatywy Open* Mikołaj Morzy Agnieszka Ławrynowicz Instytut Informatyki Poznań, rok akademicki 2013/2014 TSiSS 1

2 Od Sieci Dokumentów do Sieci Danych Sieć dokumentów Hyperlinks Dokumenty Podstawowe elementy: 1. Nazwy (URI) 2. Dokumenty (Zasoby) opisane w HTML, XML, itp. 3. Interakcja poprzez HTTP 4. (Hiper)linki pomiędzy dokumentami lub anchors w dokumentach Wady: Nietypowane linki Wyszukiwarki nie potrafią obsłużyć skomplikowanych zapytań TSiSS 2 2

3 Od Sieci Dokumentów do Sieci Danych Sieć Dokumentów Sieć Danych Typowane Linki Hyperlinks Dokumenty Rzeczy TSiSS 3 3

4 Od Sieci Dokumentów do Sieci Danych Cechy: Linki pomiędzy dowolnymi rzeczami (np. osobami, lokalizacjami, zdarzeniami, budynkami) Sruktura danych na stronach WWW jest jawna Rzeczy opisane na stronach mają nazwę i URI Linki pomiędzy rzeczami są jawne i typowane Sieć danych Rzeczy Typowane linki TSiSS 4 4

5 Wizja Sieci Danych 1/2 Sieć dzisiaj składa się z odizolowanych silosów danych, które są dostępne poprzez wyspecjalizowane wyszukiwarki jedna strona (silos danych) przechowuje filmy, inne recenzje, jeszcze inne informacje o aktorach wiele popularnych rzeczy jest reprezentowanych w wielu różnych zbiorach danych linkowanie identyfikatorów łączy te zbiory danych TSiSS 5 5

6 Wizja Sieci Danych 2/2 Sieć Danych - globalna baza danych składa się z obiektów i ich opisów obiekty są ze sobą powiązane linkami z wysokim stopniem ustrukturalizowania obiektów z jawną semantyką linków i treści zaprojektowana dla ludzi i maszyn TSiSS 6 6

7 Budowa Sieci Danych poprzez publikowanie danych strukturalnych w Sieci wykorzystanie różnych API WWW (2.0) wiązanie danych (tworzenie linków między danymi) osadzanie ustrukturalizowanych danych (mikroformaty, RDFa, GRDDL) TSiSS 7 7

8 Budowa Sieci Danych poprzez publikowanie danych strukturalnych w Sieci wykorzystanie różnych API WWW (2.0) wiązanie danych (tworzenie linków między danymi) osadzanie ustrukturalizowanych danych (mikroformaty, RDFa, GRDDL) TSiSS 8 8

9 Powiązane Dane (ang. Linked Data): definicja The Seman)c Web isn't just about pu5ng data on the web. It is about making links, so that a person or machine can explore the web of data. With linked data, when you have some of it, you can find other, related, data. (Tim Berners- Lee) Powiązane Dane wykorzystanie technologii Sieci Semantycznej do publikowania ustrukturalizowanych danych w Sieci i do ustanawiania powiązań między źródłami danych. TSiSS 9 9

10 Powiązane Dane - zasady Używaj URI jako nazwy dla rzeczy. Używaj HTTP URI tak aby ludzie mogli wyszukiwać tych nazw. Kiedy użytkownik wyszukuje URI, dostarcz użytecznej informacji w RDF. Zawrzyj wyrażenia RDF, które są powiązane linkami do innych identyfikatorów URI tak aby mogły one pomóc w wykryciu powiązanych rzeczy. TSiSS 10 10

11 Projekt Linking Open Data (Otwarte Powiązane Dane) Projekt społecznościowy ze wsparciem W3C Cel: Pomoc w utworzeniu Sieci Semantycznej poprzez publikowanie zbiorów danych z wykorzystaniem RDF. Spełnia zasady połączonych danych (Linked Data principles) Główna idea: wziąć istniejące (otwarte) zbiory danych i uczynić je dostępnymi w Sieci w formacie RDF Raz opublikowane w RDF, połączyć je linkami z innymi zbiorami danych Przykładowy link RDF: h]p://dbpedia.org/resource/berlin [Identyfikator Berlina w DBPedia] owl:sameas h]p://sws.geonames.org/ [Identyfikator Berlina w Geonames]. TSiSS 11 11

12 Chmura LOD - Maj 2007 TSiSS 12 12

13 Chmura LOD - Maj 2007 Ogólnie: Chmura Powiązanych Otwartych Danych (Linked Open Data) jest zbiorem powiązanych między sobą zbiorów danych, które zostały opublikowane i powiązane linkami zgodnie z zasadami powiązanych danych. Fakty: Punkty ogniskujące : DBPedia: wersja Wikipiedii w formacie RDF; wiele przychodzących i wychodzących linków Zbiory danych dotyczące muzyki Duże zbiory danych zawierają: FOAF, US Census data Rozmiar w przybliżeniu 1 bilion trójek, 250k linków TSiSS 13 13

14 Chmura LOD - Wrzesień 2008 TSiSS 14 14

15 Chmura LOD - Wrzesień 2008 Fakty: Więcej niż 35 powiązanych zbiorów danych Gracze komercyjni dołączyli do chmury (np. BBC) Firmy zaczęły publikować i przechowywać zbiory danych (OpenLink, Talis, Garlik) Rozmiar w przybliżeniu 2 bilion y trójek, 3 miliony linków TSiSS 15 15

16 Chmura LOD - Marzec 2009 TSiSS 16 16

17 Chmura LOD - Marzec 2009 Fakty: Wielka część z chmury Drug i projektu BIO2RDF Znaczące nowe zbiory danych: Freebase, OpenCalais, ACM/ IEEE Rozmiar > 10 bilionów trójek TSiSS 17 17

18 Chmura LOD - Wrzesień 2011 Liczba zbiorów danych: 295 Liczba trójek:

19 Publikowanie Powiązanych danych w 7 krokach Wybór słowników ważne ponowne wykorzystanie istniejących słowników - interoperacyjność Partycjonowanie grafu RDF do stron danych Przyznanie URI każdej stronie danych Stworzenie wariantów HTML każdej strony danych - do renderowania stron w przeglądarkach Przyznanie URI każdej encji Dodanie metadanych stron i linków np. publisher, license, topics Dodanie semantycznej mapy strony (semanic sitemap) ważna dla pająków w celu znalezienia zbioru danych lub końcowki SPARQL z dostępem do danych TSiSS 19 19

20 Tworzenie powiązań (linków) Popularne predykaty: owl:sameas, foaf:homepage, foaf:topic, foaf:based_near, foaf:maker/foaf:made, foaf:depiction, foaf:page, foaf:primarytopic, rdfs:seealso TSiSS 20 20

21 Przykładowe zbiory danych DBpedia BBC Music Open government (UK), Data.gov (US) Freebase Zbiory danych biologicznych i medycznych TSiSS 21

22 DBpedia Inicjatywa społeczna: Ekstrakcja strukturalnej informacji z Wikipedii Udostępnienie informacji w Sieci na otwartej licencji Powiązanie linkami zbioru danych DBpedii z innymi zbiorami danych w Sieci DBpedia to jeden z najbardziej centralnych hubów w tworzącej się Sieci Danych TSiSS 22

23 Data.gov 1. Zgromadź dane z wielu miejsc, udostępnij je za darmo deweloperom, naukowcom, obywatelom 2. Połącz społeczność w znajdowaniu rozwiązań pozwalających na współpracę poprzez media społecznościowe, wydarzenia, plalormy 3. Dostarcz infrastrukturę w oparciu o standardy i interoperacyjność 4. Zachęć twórców technologii do tworzenia aplikacji, map, wizualizacji danych, które wzmocnią wybory dokonywane przez ludzi 5. Zgromadź więcej danych i połącz więcej ludzi s A Strategy for American Innova2on wrzesień 2009

24 Powiązane Dane Narzędzia i Aplikacje Narzędzia do przenoszenia danych z innych formatów i z funkcjonujących wewnętrznie systemów do Sieci Danych Narzędzia do wykorzystywania Powiązanych Danych: przeszukiwanie, przeglądanie, tworzenie mashups, inne TSiSS 24 24

25 Przenoszenia danych z innych formatów do Sieci Danych Dostarczenie danych przechowywanych w relacyjnych bazach danych do Sieci Danych: Pubby: serwer dostarczający dostępu do składnic trójek w Sieci Triplify: pozwala na specyfikację zapytań SQL i zrenderowanie wyników jako RDF D2RQ, ontop: odwzorowanie relacyjnych baz danych do RDF; dostarczają końcówkę SPARQL z dostępem do danych Virtuoso RDF Views: oferuje deklaratywny język do tworzenia odwzorowań pomiędzy danymi SQL i RDF Ekstrakcja danych z Sieci WWW (np. DBPedia: dane z Wikipedii) Konwersja istniejących danych i ekstrakcja z nich RDF: z JPEG, , BibTex, Java bytecode, Javadoc, Excel TSiSS 25 25

26 Repozytoria trójek RDF OWLIM: natywne, wykorzystuje mechanizm wnioskowania wprzód (forward chaining) i materializację AllegroGraph: natywne Jena TDB: natywne Open Link Virtuoso: hybrydowe, hostuje zbiór Dbpedia, Virtuoso 7 - Virtuoso Column Store BigData: hybrydowe TSiSS 26 26

27 Publikowanie powiązanych - typowe wzorce Źródło:

28 Konsumowanie Powiązanych Danych Przeglądarki Powiązanych Danych: eksplorowanie rzeczy i zbiorów danych i nawigacja pomiędzy nimi Tabulator Browser, Marbles, OpenLink RDF Browser, Zitgist RDF Browser, Disco Hyperdata Browser, Fenfire Mashup y Powiązanych Danych: strony, które łączą ( mieszają ) powiązane dane Revyu.com, DBtune Slashfacet, DBPedia Mobile, Semansc Web Pipes Wyszukiwarki powiązanych danych Falcons, Sindice, MicroSearch, Watson, SWSE, Swoogle TSiSS 28 28

29 Przykładowy Mashup: Revyu.com 1/2 Revyu.com - strona do oceniania wszystkiego. Powiązane Dane wykorzystywane do wzbogacania ocen. Oceny zawierają linki do ocenianej rzeczy i linki seealso do Wikipedii i innych zbiorów danych. TSiSS 29 29

30 Przykładowy Mashup: Revyu.com 2/2 TSiSS 30 30

31 Przykładowa wyszukiwarka: Sindice 1/2 Wyszukiwarka Powiązanych Danych. Pozwala na wyszukiwanie treści Sieci Semantycznej na bazie: - słów kluczowych - URI (identyfikujących obiekty, pojęcia, lub dokumenty). TSiSS 31 31

32 Przykładowa wyszukiwarka: Sindice 2/2 TSiSS 32 32

33 Inne inicjatywy Open* Open Source Open Content Open Science (Open Notebook Science) Open Access Open CourseWare Open Society Foundaions Open Health TSiSS 33

34 Otwarte dane przykład aplikacji Green BuHon 21 million American h can 21 now milionów download amerykańskich th gospodarstw domowych business może energy ściągnąć use dane dot. zużycia energii their local w ich utility domu Następnie wykorzystać aplikacje, które zarządzają Then use ich apps zużyciem to ma energii i zaoszczędzić pieniądze energy use (i być to bardziej save mekologicznym) go green Więcej: Energy.Data.gov More at Energy.Data Źródło: Driving Innovason with Open Data and Interoperability Jeanne Holm Evangelist, Data.gov Listopad 14, 2012

35 Otwarte dane to ekosystem

36 Wspólna wizja 1. Wizja: Co będzie łączyć społeczność, jak współpraca będzie wyglądać w przyszłości? 2. Liderzy: Kto będzie przewodzić społeczności? 3. Uczestnicy: Kto będzie uczestniczyć? 4. Wyniki: Jakie są oczekiwane wyniki, miary ich osiągnięcia? 5. Funckcjonalność: Jakie typy aktywności będą funkjonować (fora, blogi, wiki, rankingi konkursy, aplikacje)? 6. Treść: Jaka treść będzie pokazywana? 7. Interakcyjność: Jak społeczność będzie komunikować się z liderami i z zewnętrznymi osobami, jednostkami?

37 Co to są mikroformaty? - sposób nadania znaczenia elementom HTML i jawnego pokazania struktur danych na stronach HTML - zaprojektowane dla ludzi w pierwszej kolejności, w drugiej dla maszyn - zbiór prostych, otwartych formatów danych, zbudowanych w oparciu o istniejące i szeroko zaadaptowane standardy (np. (X)HTML) - rozwiazują pojedynczy, specyficzny problem (np. reprezentację informacji geograficznej, kalendarzowej) TSiSS 37 37

38 Ilustracja microformatów TSiSS 38 38

39 Rodzaje mikroformatów Elementarne mikroformaty (jeden znacznik) Rel-home (strona domowa) <link href=" rel="home" /> Rel-License (licencja) <a href=" rel="license">cc by2.0</a> Inne: rel-tag, rel-encluse, xfn-tags Złożone mikroformaty Często oparte na istniejącym standardzie np. hcard, hcalendar, hevent, hreview TSiSS 39 39

40 Składnia Mikroformaty wykorzystują istniejące atrybuty HTML do osadzenia strukturalnych typów danych w dokumencie HTML i do wskazania obecności metadanych Atrybut rel/rev wykorzystanie w elementarnych mikroformatach. Przykład: <a href= rel= tag >instytut</a> Atrybut class wykorzystanie w złożonych mikroformatach. Przykład: <span class= geo ><span class= latitude >28.42</span><span class= longitude >37.10</span><span> TSiSS 40 40

41 Ekspresywność mikroformatów Mikroformaty rozszerzją siłę wyrażania (ekspresywność) języka HTML Ekspresywność jest ograniczona tym, że mikroformaty są zaprojektowane do wykorzystywania tylko pre- definiowanych słowników. TSiSS 41 41

42 Przykład: złożony mikroformat hcard 1/2 hcard prosty format do reprezentacji danych ludzi, firm, organizacji i miejsc wykorzystujący 1:1 reprezentację własności i wartości standardu vcard (RFC2426) BEGIN: VCARD VERSION: 3 FN: Agnieszka Lawrynowicz ORG: Politechnika Poznanska URL: h]p:// TEL: END: VCARD TSiSS 42 42

43 Przykład: złożony mikroformat hcard 2/2 <div class="vcard > <span class="fn">agnieszka Lawrynowicz</span> <a class="org url href=" Poznanska</a> <a class=" me</a> Phone: <div class="tel"> </div> </div> Example on this slide by Alexander Graf TSiSS 43 43

44 Wady mikroformatów Istnieje jedynie ustalony zbiór mikroformatów Nie ma możliwości łączenia elementów danych Ustalony słownik, nie- rozszerzalny, trudny do dostosowania do konkretnych potrzeb Osobne reguły parsowania potrzebne dla każdego mikroformatu TSiSS 44 44

45 RDFa RDFa = RDF w atrybutach rekomendacja W3C zbiór nowych atrybutów (X)HTML do wyrażenia metadanych wewnątrz (X)HTML format serializacji RDF, gdzie trójki RDF są "osadzone" w (X)HTML niezależne od dziedziny (w przeciwieństwie do dedykowanych dla danej dziedziny mikroformatów) TSiSS 45

46 Składnia: wykorzystanie RDFa w XHTML Odpowienie @src Nowe atrybuty, specyficzne @typeof TSiSS 46 46

47 Opis podstawowych URI, które specyfikuje zasób opisywany określają relację (relację odwrotną) z określają stowarzyszony określa własność dla zawartości ( content ) opcjonalny atrybut, który nadpisuje zawartość elementu, używając atrybutu opcjonalny atrybut, który określa typ danych tekstu do wykorzystania z atrybutem opcjonalny atrybut, który określa typ(y) RDF podmiotu (zasobu opisywanego przez metadane) TSiSS 47

48 Wykorzystanie RDFa w XHTML <html xmlns:foaf="h]p://xmlns.com/foaf/0.1/"> <head> <itle>profil Jana Kochanowskiego</itle> <link rel="foaf:primarytopic foaf:maker" href="#me"/> </head> <body> <div about="#me" typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> ma strone domowa <a rel="foaf:homepage" href="h]p://pl.wikipedia.org/wiki/ Jan_Kochanowski">Strona Jana Kochanowskiego</a>. Zna: <a rel="foaf:knows" href="h]p://pl.wikipedia.org/wiki/zygmunt_ii_august#me">zygmunt II August</a>. <span rel="foaf:img"> <img src=h]p://upload.wikimedia.org/wikipedia/commons/4/42/jan_kochanowski.png alt="jan"/> </span> </div> </body> </html> TSiSS 48

49 Ekspresywność RDFa Specyfikacja RDFa definiuje składnię do osadzania RDF w dokumentach w dowolnym języku opartym o język XML. Dlatego RDFa zyskuje swoją ekspresywność z siły wyrażania RDF TSiSS 49 49

50 GRDDL GRDDL ( Gleaning Resource Descripions from Dialects of Languages ) Specyfikacja GRDDL wprowadza znaczniki w oparciu o istniejące standardy deklaracji, że dokument XML zawiera dane kompatybilne z RDF i do łączenia z algorytmami (typowo reprezentowanymi w XSLT) do ekstrakcji tych danych z dokumentu. TSiSS 50 50

51 Transformacje GRDDL Transformacje GRDDL są stosowane w 3 krokach: (1) Deklaracja dokumentu jako źródła. (2) Połaczenie z jednym lub większą liczbą ekstraktorów. (3) Agent GRDDL ekstrahuje RDF z dokumentu. TSiSS 51 51

52 Inicjatywy gigantów h]p://schema.org (współpraca Google, Microso i Yahoo!) schemat znaczników danych strukturalnych wspieranych przez najważniejsze wyszukiwarki internetowe, mikrodane Google knowledge graph hzp:// feature=player_embedded&v=mmql6vgvx- c Facebook Graph API, Open API hzps:// YNvdJk8k

53 Jeopardy! Jeopardy! to amerykański quiz show (odpowiednik polskiego Va Banque!) 1964 do dzisiaj format odpowiedź- i- pytanie Przykład: Kategoria: Nauka ogólnie Wskazówka: W zderzeniu z elektronami, fosfor wydziela energię elektromagnetyczną w tej formie Odpowiedź: Czym jest światło? dla ludzi, wyzwaniem jest znajomość odpowiedzi dla maszyn, wyzwaniem jest zrozumienie pytania

54 IBM Watson Watson system komputerowy stworzony przez IBM do odpowiadania na pytania zadawane w języku naturalnym Watson wystąpił w Jeopardy! w trzydniowej rozgrywce (2011) h]p://

55 IBM Watson przeciwnikami IBM Watsona byli: Brad Ruzer do tej pory wygrał najwięcej pieniędzy, Ken Jennings był najdłużej niepokonanym mistrzem IBM Watson zajął pierwsze miejsce

56 Problem automatycznego i niezależnego od dziedziny odpowiadania na pytania (QA) Mając dane treściwe pytania w języku naturalnym dot. szerokiej dziedziny wiedzy Dostarcz (w czasie < 3s): precyzyjnych odpowiedzi: określ czego dotyczy pytanie & daj precyzyjną odpowiedź dokładnie wyliczoną pewność odpowiedzi strawne wyjaśnienia co do poprawności odpowiedzi

57 IBM Watson trójząb * Nowy paradygmat oprogramowania coraz więcej zadań obliczeniowych wymaga rozwiązań niedokładnych, które łączą wiele metod w nieprzewidziany sposób Wiedza nie jest celem (o tym za chwilę) Inteligencja maszynowa nie jest inteligencją ludzką Różnica jest najbardziej znaczna w przypadku pomyłek *Wg Chrisa Welty z IBM Research

58 IBM Watson wiedza nie jest celem Klasyczne podejście QA Od zarania SI zakładano, że odpowiadanie na pytania będzie działać na bazie procesu, który całkowicie przekłada język naturalny na jednoznaczną (logiczną) reprezentację; proces wnioskowania będzie działać na tej reprezentacji aby wyprodukować odpowiedzi. JĘZYK NATURALNY WIEDZA pokrycie NLP precyzja akwizycja skala technologie semantyczne

59 IBM Watson wiedza nie jest celem Klasyczne podejście QA Od zarania SI zakładano, że odpowiadanie na pytania będzie działać na bazie procesu, który całkowicie przekłada język naturalny na jednoznaczną (logiczną) reprezentację; proces wnioskowania będzie działać na tej reprezentacji aby wyprodukować odpowiedzi. JĘZYK NATURALNY pokrycie NLP precyzja PORAŻKA! akwizycja WIEDZA skala technologie semantyczne

60 IBM Watson wiedza nie jest celem DeepQA (Watson) generuje i ocenia wiele hipotez wykorzystując kolekcję metod z dziedziny przetwarzania języka naturalnego, uczenia maszynowego, reprezentacji wiedzy i wnioskowania; gromadzą one i ważą dowody pochodzące ze źródeł danych niestrukturalnych i strukturalnych (np. otwartych powiązanych danych) aby ustalić odpowiedź o najwyższej pewności na podstawie odpowiedzi wielu (setek) metod NER JĘZYK NATURALNY parsowanie wyszukiwanie informacji uczenie maszynowe crowd technologie semantyczne ZADANIE

61 IBM Watson jak to działa The science behind an answer h]p://

62 Google: Graf Wiedzy semantyczne wyszukiwanie maj 2012: baza wiedzy wykorzystywana przez Google do rozszerzenia wyników wyszukiwania wiele źródeł wiedzy: CIA World Factbook, Freebase, Wikipedia sieć semantyczna zawiera ponad 570 mln obiektów i ponad 18 mld faktów maj 2013: polska wersja językowa; zadawanie pytań raczej niż wyszukiwanie, informacje i powiązania między nimi raczej niż zestaw linków system poszukujący nie fraz kluczowych, lecz "bytów stojących za wpisanymi w wyszukiwarkę słowami

63 Dwa główne sposoby działania Grafu Wiedzy dopasowywanie odpowiedzi do kontekstu; w przypadku dwuznacznych haseł prezentacja różnych wersji odpowiedzi podsumowania najbardziej istotnych informacji: - biogramy, wyróżnione najważniejsze elementy, powiązania między kluczowymi hasłami, odnośniki do kolejnych informacji

64 Graf Wiedzy: przykład

65 Bibliografia [1] C. Bizer, T. Heath, and T. Berners- lee Linked Data The Story So Far Internasonal Journal on Semansc Web and Informason Systems (IJSWIS) (2009) [2] T. Heath, and C. Bizer (2011) Linked Data: Evolving the Web into a Global Data Space (1st edison). Synthesis Lectures on the Semansc Web: Theory and Technology, 1:1, Morgan & Claypool. [3] RDFa Primer, hzp:// rdfa- primer/ (last accessed on ) 65

66 Wykorzystanie RDFa w XHTML przykład 1/7 Krok 1 tworzenie obiektu osoby - wykorzystany i element słownictwa FOAF (Person) <html xmlns:foaf=" <head> <title>profil Jana Kochanowskiego</title> </head> <body> <div typeof="foaf:person">... </div> </body> </html> TSiSS 66

67 Wykorzystanie RDFa w XHTML przykład 2/7 Krok 2 dodanie informacji personalnej - wykorzystana własność foaf:name, ustawiona za pomocą atrybutu <div typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> </div> TSiSS 67

68 Wykorzystanie RDFa w XHTML przykład 3/7 Krok 3 dodanie strony domowej - wykorzystana własność foaf:homepage i atrybut (dodajemy URL) <div typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> <a rel="foaf:homepage" href=" Jan_Kochanowski">Strona Jana Kochanowskiego</a> </div> TSiSS 68

69 Wykorzystanie RDFa w XHTML przykład 4/7 Krok 4 dodanie przyjaciół/kolegów - wykorzystana własność foaf:knows i atrybut <div typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> <a rel="foaf:homepage" href="h]p://pl.wikipedia.org/wiki/ Jan_Kochanowski">Strona Jana Kochanowskiego</a> <a rel="foaf:knows" href="h]p://pl.wikipedia.org/wiki/ Zygmunt_II_August#me">Zygmunt II August</a> </div> TSiSS 69

70 Wykorzystanie RDFa w XHTML przykład 5/7 Krok 5 dodanie zdjęcia - wykorzystana własność foaf:img <div about="#me" typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> <a rel="foaf:homepage" href=" Jan_Kochanowski">Strona Jana Kochanowskiego</a> <a rel="foaf:knows" href=" Zygmunt_II_August#me">Zygmunt II August</a> <span rel="foaf:img"> <img src=" Jan_Kochanowski.png" alt="jan"/> </span> </div> TSiSS 70

71 Wykorzystanie RDFa w XHTML przykład 6/7 Krok 6 ostateczna wersja (łącznie z prezentacją) <html xmlns:foaf="h]p://xmlns.com/foaf/0.1/"> <head> <itle>profil Jana Kochanowskiego</itle> <link rel="foaf:primarytopic foaf:maker" href="#me"/> </head> <body> <div about="#me" typeof="foaf:person"> <span property="foaf:name">jan Kochanowski</span> ma strone domowa <a rel="foaf:homepage" href="h]p://pl.wikipedia.org/wiki/ Jan_Kochanowski">Strona Jana Kochanowskiego</a>. Zna: <a rel="foaf:knows" href="h]p://pl.wikipedia.org/wiki/zygmunt_ii_august#me">zygmunt II August</a>. <span rel="foaf:img"> <img src=h]p://upload.wikimedia.org/wikipedia/commons/4/42/jan_kochanowski.png alt="jan"/> </span> </div> </body> </html> TSiSS 71

72 Wykorzystanie RDFa w XHTML przykład 7/7 Trójki RDF wyrenderowane z dokumentu XHTML np. za pomocą parsera i walidators RDfa Sindice Inspector hzp://inspector.sindice.com/ TSiSS 72

73 Przykładowa przeglądarka: Marbles 1/2 Wskazuje źródło wyświetlanych danych za pomocą kolorowych ikonek Wsparcie dla różnych widoków: Pełen widok: wyświetlone wszystkie dostępne dane. Widok podsumowujący: krótkie tekstowe streszczenie na temat zasobu. Widok zdjęcie : zdjęcie danego zasobu. Pobiera dane z wielu źródeł poprzez (a) wysyłanie równoległych zapytań do wielu wyszukiwarek Powiązanych Danych (b) podążając za linkami owl:sameas i rdfs:seealso. TSiSS 73 73

74 Przykładowa przeglądarka: Marbles 2/2 TSiSS 74 74