Los sistemas de gestión de contenidos en el ámbito de la web semántica: una breve revisión

Transcripción

1 Tipo de artículo: Revisión bibliográfica Temática: Inteligencia Artificial Recibido: 18/06/2012 Aceptado: 29/10/2012 Publicado: 15/11/2012 Los sistemas de gestión de contenidos en el ámbito de la web semántica: una breve revisión The content management system in the scope of the semantic web: a brief overview Luis Enrique Alonso Sierra 1*, Ernesto Ortiz Muñoz 1, Yusniel Hidalgo Delgado 2 1* Estudiante. Facultad 3. Universidad de las Ciencias Informáticas, Carretera a San Antonio de los Baños, km 2 ½, Torrens, Boyeros, La Habana, Cuba. CP.: Departamento docente Programación. Facultad 3. Universidad de las Ciencias Informáticas, Carretera a San Antonio de los Baños, km 2 ½, Torrens, Boyeros, La Habana, Cuba. CP.: {lealonso, emunoz}@estudiantes.uci.cu yhdelgado@uci.cu Resumen Desde su surgimiento, la web se ha convertido en una extensa base de datos con información relevante sobre las principales áreas del conocimiento de nuestra sociedad. Sin embargo, la misma posee un grupo de limitaciones en cuanto al formato, la integración y la recuperación de los contenidos existentes. En el año 2001 surge el término de web semántica. La web semántica es una extensión de la web actual en la que la información tiene un significado bien definido posibilitando a los humanos y las computadoras trabajar en cooperación. En este artículo se describen los principales módulos y extensiones de algunos de los Sistemas de Gestión de Contenidos más populares de la actualidad, así como algunas herramientas que facilitan la publicación de contenidos semánticos en la web. El estudio muestra que las herramientas evaluadas aún se encuentran en un estado muy primitivo en su desarrollo imposibilitando su total adopción por parte de los desarrolladores y usuarios que generan contenidos en la web. Palabras clave: Marco de descripción de recursos, sistema de gestión de contenido, web semántica. Abstract The web has become a great database with useful information about the main areas of knowledge in our society. Although, the web have some limitations such as format, integration and retrieval of contents. In the year 2001 the term of semantic web has been proposed. The semantic web is an extension of current web where the information has a well-defined mean allowing that humans and computer to work together. In this paper, we describe the main modules and extensions of some of the most popular Content Management System currently, as well as tools that allow publishing semantic contents in the web. This review shows that the evaluated tools have a primitive status of development yet, making impossible the full adoption of these for users and developers of web contents. Keywords: Content management system, resources description framework, semantic web. 1

2 Introducción En el año 1998 un informático de la Organización Europea para la Investigación Nuclear (CERN, por sus siglas en inglés) llamado Tim Berners-Lee crea lo que hoy conocemos como la web. La web pretendía convertirse en una solución para la perdida de información y para facilitar el intercambio de la misma entre los científicos del CERN. También en este año surge el Protocolo de Transferencia de Hipertexto (HTTP, por sus siglas en inglés) como medio para el intercambio de información en la web. Surge también el concepto de Identificador Uniforme de Recursos (URI, por sus siglas en inglés) para identificar cualquier recurso en Internet, dígase una página, una imagen, o un servicio. Se crea también el Lenguaje de Marcado de Hipertexto (HTML, por sus siglas en ingles) para representar la información en la web (Berners-Lee, 1989). En sus inicios la web estaba constituida principalmente por páginas HTML que eran editadas de forma manual y contenían enlaces a otras páginas temáticamente relacionadas; esto es lo que se conoce en la actualidad como la web 1.0. No fue hasta el año 2000 donde se observa una evolución en la web, surgiendo así la web 2.0, donde la creación de los sitios se realiza de forma dinámica a partir de información almacenada en una base de datos (Fernández, 2009). Como consecuencia de esta nueva tendencia surgen los Sistemas de Gestión de Contenidos (CMS por sus siglas en inglés). Los CMS son programas que permiten la creación de una estructura de soporte para la gestión de contenidos, principalmente en la web. Estos programas poseen una interfaz capaz de controlar una o varias bases de datos que contienen la información del sitio web. En la actualidad los CMS han cobrado una gran importancia ya que más del 24% de los sitios publicados en Internet tienen como base algún CMS (W3Techs, 2012). La continua evolución de la web propició el surgimiento de un nuevo concepto: la web semántica o web 3.0. La web semántica no es más que una extensión de la web actual, en la que los datos podrán ser procesados tanto por los humanos como por software especializados en el tema, está soportada por las tecnologías existentes en la web, manteniéndose el protocolo HTTP para el intercambio de datos. Un concepto que está muy ligado a la web semántica es el de Datos Enlazados (del inglés, Linked Data). Los Datos Enlazados son un conjunto de buenas prácticas para la publicación y enlazado de datos estructurados en la web. La idea que persiguen los mismos es utilizar la arquitectura general de la web para la compartición de datos estructurados a escala global (Berners-Lee, 2006). Los datos enlazados siguen cuatro principios básicos (Berners-Lee, 2006): - Identificar: Utilizar una URI para identificar cada recurso publicado en la web. - Publicar: Tener publicados estos datos en una URI basada en HTTP con el fin de que puedan ser fácilmente localizados y consultados. - Describir: Proporcionar información útil, detallada o extra acerca del recurso cuando se acceda a esta URI basada en HTTP - Enlazar: Incluir enlaces a otras URI relacionadas con los datos contenidos en el recurso, de forma que se potencie el descubrimiento de la información sobre la web. Otro elemento de gran importancia dentro de la web 3.0 es el de Marco de Descripción de Recursos (RDF, por sus siglas en inglés). RDF consiste en un modelo de datos simple y totalmente compatible con la arquitectura de la web actual (Heath and Bizer, 2011). Un documento RDF se compone de un conjunto de tripletas de la forma sujetopredicado-objeto (Figura 1) de manera que los datos pueden ser representados en un grafo dirigido donde la primera y la tercera componerte corresponde a los nodos del grafo y la segunda componente (predicado) actúa como enlace 2

3 (arco) entre dichos nodos. Al grafo dirigido descrito anteriormente se le conoce como Grafo RDF (Klyne and Carroll, 2004). Una vez conocido la forma de almacenamiento de los datos en la web sería de gran utilidad conocer la forma de recuperación de estos. SPARQL es un lenguaje que permite hacer consultas a diversas fuentes de datos almacenados en formato RDF, además define la sintaxis y la semántica para recuperar la información de la web (Prud'hommeaux and Seaborne 2008). Sujeto Predicado Objeto Figura 1. Modelo de datos RDF. Los CMS son sistemas muy utilizados en el despliegue de portales web en Internet, sin embargo, no se ha podido constatar un rápido crecimiento de los contenidos semánticos en la web a partir de la utilización de dichos sistemas. Teniendo en cuenta la problemática anterior, en este artículo se realiza una revisión sobre las principales herramientas existentes en los CMS que permiten incorporar contenidos semánticos en la web. Además se pretende dar a conocer las potencialidades y los inconvenientes de los CMS para la incorporación de contenidos semánticos a los sitios en la actualidad. Se hace un breve estudio de algunas herramientas que permiten dar semántica a las aplicaciones web en general a partir de los datos contenidos en sus respectivas Bases de Datos. Materiales y métodos Para la realización del estudio documental que se llevó a cabo se consultaron numerosas fuentes bibliográficas, como revistas científicas indexadas en Scielo y Scopus. Se identificaron los principales CMS que son utilizados en la creación de portales web y se visitaron sus sitios oficiales para lograr una mayor veracidad en la información mostrada. Se consultaron libros de autores que están relacionados con la publicación de contenidos en la web semántica en los últimos 5 años. En la actualidad existen una gran cantidad de CMS pero sobresalen 3 por su nivel de utilización: Drupal, WordPress y Joomla (W3Techs 2012). Por tanto se centró el estudio en estas 3 aplicaciones. A continuación se describen los principales módulos que permiten incorporar contenido semántico en la web correspondientes a estos CMS. Finalmente se hace una breve descripción de la herramienta Triplify, esta permite exportar los datos existentes en una Base de Datos en formato RDF y además generar Datos enlazados de la misma. Drupal El proyecto Drupal surge en 1999, a partir de ese mismo año, las personas se interesaron y comenzaron a utilizar Drupal como plataforma para la organización y administración de contenido en la web. Desde el inicio se pensó en el proyecto como código abierto y el sitio oficial del proyecto se lanzó en Actualmente la comunidad cuenta con más de usuarios y desarrolladores (José, 2011). Simple RDF: Permite la publicación de datos en formato RDF, además de soportar otros formatos como MicroRDF, N-Triples, POSH RDF, RDF/JSON, RDF/XML, RSS 1.0 y Turtle. Gestiona las URIs de los datos RDF publicados y provee administración de un EndPoint SPARQL para la consulta de los datos con previa autenticación del usuario. Permite la personalización de los campos RDF y de los espacios de nombres (Namespaces). Es compatible con la 3

4 versión 6.x del CMS solamente. Tiene dependencia de los módulos: CCK, CTOOLS, UUID y de la librería ARC2. Actualmente se ha reportado la instalación del módulo en 6 sitio web de internet (Zhang, 2011). RDF Extensions: Es el proyecto de RDF en Drupal 7.x. Incluye el módulo RDFx que extiende del módulo RDF de Drupal 7 y provee nuevas APIs relacionadas con el tema. Este módulo requiere de la instalación de RESTful Web Services. El proyecto también incluye el módulo RDF UI que permite a los administradores del sitio especificar el mapeo RDF a través de una interfaz de usuario. Además el proyecto incluye el módulo Evoc que permite importar vocabularios que pueden ser utilizados en RDF UI. El proyecto depende de la instalación del módulo Entity API. Actualmente el módulo se encuentra instalado en 419 sitios en internet (Corlosquet, 2011). RDF SPARQL Proxy: Permite instanciar recursos RDF por demanda mediante consulta de SPARQL. El administrador del sitio puede definir especificaciones en las reglas de mapeo del esquema de datos remoto al esquema RDF local de datos definidos por el módulo RDF y RDF CCK. Al aprovechar las capacidades de RDF este módulo puede crear una instancia de datos heterogéneos y su relación (gráfica) permitiendo la importación de estos. Es compatible con la versión 6.x de Drupal. Actualmente 2 sitios en internet han reportado el uso del módulo (Corlosquet, 2009). RDF CCK: Permite mapear cada tipo de contenido del sitio como títulos, cuerpos de artículos y campos CCK a términos RDF. Por defecto el módulo crea clases locales y propiedades para todos los elementos del sitio que pueden ser exportados como nodos RDF. El módulo requiere de la instalación de RDF API, CCK y RDF RDF External Vocabulary Importer. Es compatible con la versión 6.x de Drupal. Actualmente 155 sitios han reportado el uso del módulo (Corlosquet, 2008). RDF SPARQL EndPoint: Indexa los datos publicados en el sitio en ARC2 RDF. También provee un EndPoint SPARQL a través de la interfaz de ARC2 SPARQL. Este módulo requiere una Base de Datos MySQL. Si se quiere dar soporte a otro tipo de base de datos se debe usar el módulo SPARQL. El módulo requiere de la instalación de RDF y CCK. Es compatible con la versión 6.x de Drupal. Actualmente 7 sitios de Internet han reportado que usan el módulo. SPARQL: El módulo incluye el núcleo de SPARQL API, además incluye el módulo de registro de SPARQL y el módulo de EndPoint de SPARQL. Requiere de la instalación del módulo RDF Extensions. Es compatible con la versión 7.x y 6.x de Drupal. Actualmente 404 sitios en Internet han reportado que usan el módulo. WordPress Es un Sistema de Gestión de Contenido enfocado a la creación de blogs (sitios web periódicamente actualizados). Desarrollado en PHP y MySQL, bajo licencia GPL y código modificable. Actualmente la comunidad de desarrolladores asciende a más de 100 desarrolladores. LH RDF: Permite la publicación de datos del sitio en formato RDF/XML compatible con las especificaciones de SIOC. Está inspirado y hasta cierto punto basado en el exportador original SIOC de WordPress. Es compatible con la versión de WordPress. 4

5 PoolParty Thesaurus: Importa un vocabulario SKOS para la vinculación de forma automática de términos claves en el sitio o construye el mismo a través de una consulta a un EndPoint SPARQL. Una vez creado el post las definiciones de los términos son mostradas en línea cuando el mouse le pasa por encima. Con el plugin se puede importar cualquier vocabulario SKOS/RDF a través de una consulta SPARQL. El plugin crea dos páginas adicionales donde se muestra el vocabulario, este puede ser accedido en forma de diccionario. La primera página muestra todos los conceptos asociados al vocabulario y la segunda muestra la vista de detalles de cada concepto. Es compatible con la versión de WordPress. LH Tools: Permite la creación de un EndPoint SPARQL en el sitio, el cual permitirá hacer consultas semánticas al propio sitio y además a otros sitios que publiquen datos en formato RDF. Es compatible con la versión de WordPress. LH Relationships: Permite la creación y publicación de relaciones de tripletas en formato RDF. Una vez activado el plugin brinda una seria de URIs para la creación de las relaciones. Es compatible con la versión de WordPress. Climate Change Glossary: Importa un vocabulario de sinónimos de SKOS a través de la librería ARC2. Los sinónimos de energía renovable y de cambio climático están previamente instalados. El plugin genera dos páginas donde en la primera se muestran todos los conceptos asociados al vocabulario y los sinónimos de los conceptos, en la segunda página se muestra una vista detallada de cada uno de los conceptos del vocabulario. Cada frase o palabra son analizadas de forma automática para encontrar sus sinónimos en el vocabulario, una vez identificados se muestra la definición del concepto una vez que se pasa el mouse por encima. Es compatible con la versión de WordPress. Joomla Sistema de Gestión de Contenidos que puede ser utilizado independientemente. Entre sus principales virtudes está la de permitir la integración, adición o edición de contenidos de un sitio web de manera sencilla. Es un proyecto de código abierto programado mayoritariamente en PHP bajo una licencia GPL. Este administrador de contenidos puede trabajar en redes locales dígase Intranet o Internet. Requiere de una base de datos creada con un gestor MySQL, así como de un servidor HTTP Apache (Graf, 2006). JRDF: Permite la generación de un archivo en formato RDF con el contenido del sitio web, es posible especificar la sección y la categoría sobre la que se desea realizar la publicación. Es compatible solamente con la versión 1.5 de Joomla. Triplify Se basa en la definición de una base de datos relacional desde el puntos de vista de una aplicación web específica (o más general para un esquema específico de la base de datos relacional) con el fin de recuperar la información de la misma y convertir los resultados de estas consultas en formato RDF, JSON y datos enlazados. Se ha demostrado que para aplicaciones web con unas pocas consultas a la base de datos es suficiente para extraer la información perteneciente a una base de datos específica, entre 5 y 20 consultas (Auer et al., 2009). En general la idea es sencilla pero muy útil, la aplicación se basa en la ejecución de una serie de consultas a la base de datos, una vez que los datos son extraídos de la misma son renombrados de tal forma que sea más fácil la posterior 5

6 conversión a RDF. Lo que se debe hacer primeramente es la configuración de los términos asociados a la base de datos. Los términos que se deben configurar son los parámetros de conexión a la base de datos, como se muestra a continuación: $triplify['db']=new PDO('mysql:host=localhost;dbname=wprdf','root','root');. La aplicación utiliza el driver PDO para la conexión a la base de datos, lo que supone una gran ventaja en este sentido. Una vez configurado estos parámetros se deben configurar las consultas a la base de datos, un ejemplo se muestra a continuación, en este caso la consulta se ejecuta sobre el CMS WordPress: $triplify['queries']=array('post'=>array( "SELECT id, post_author 'sioc:has_creator', post_date 'dcterms:created', post_title 'dc:title', post_content 'sioc:content', post_modified 'dcterms:modified' FROM {$table_prefix}zposts WHERE post_status='publish'"));. Después de la correcta configuración de los parámetros y las consultas, se debe tener como resultado un archivo RDF con los datos de la base de datos. La aplicación tiene una serie de ventajas que se relacionan a continuación: 1. Las instalaciones de las aplicaciones web son más fáciles de encontrar y los motores de búsqueda pueden evaluar mejor sus datos. 2. Requiere pocos cambios en la configuración de la aplicación para el correcto funcionamiento de la misma. 3. La instalación de una misma aplicación puede variar y la aplicación no se afecta ya que no usa interfaces ni protocolos. 4. Facilita la personalización del resultado de las búsquedas, de motores de búsqueda diseñados para un tema en específico, por ejemplo: la búsqueda de contenido específico en varios blogs, wikis o foros. La aplicación también posee algunas desventajas las cuales se relacionan a continuación: 1. Está implementada solo en lenguaje de programación PHP. 2. Necesita acceso directo a la base de datos de la aplicación, pero la aplicación puede usar cualquier otra base de datos. Resultados y discusión Es un hecho que la evolución de la informática tiene un ritmo acelerado, parte de esa evolución es la llamada web semántica o web 3.0. Anteriormente se relacionaron algunas de las herramientas que permiten incorporar contenido semántico en las aplicaciones web que tienen como base alguno de los CMS que se estudiaron y además se mencionó una aplicación que permite la exportación de los elementos de una base de datos en formato RDF. Como se puede apreciar no son pocas las aplicaciones, módulos, plugin y extensiones que existen para dar soporte a la web semántica, sin dejar de mencionar que aun estos elementos carecen de la madures necesaria para el total desarrollo de la web

7 La principal importancia que tiene la web semántica es la de organizar e introducir contenido semántico a los documentos que se colocan en Internet permitiendo la organización por conceptos de la información que se ofrece en los sitios web, garantizando que las búsquedas que se realicen sobre dicha información sea sobre su significado y no sobre su contexto, facilitando así las búsquedas y reduciendo de forma drástica el tiempo empleado para localizar la información que buscamos, además mejorarán los resultados de las búsquedas de forma tal que sería muy exactos. Los Datos Enlazados poseen también una gran importancia y aplicación en la actualidad ya que grandes instituciones aplican los principios de los mismos para facilitar el funcionamiento de una institución en un área en especifico, se puede mencionar por ejemplo: Library Linked Data que aplica los principios de Datos Enlazados en los entornos bibliotecarios, catálogos en línea; Enterprise Linked Data que aplica los principios de Datos Enlazados en la gestión empresarial, University Linked Data que aplica los principios de Datos Enlazados en la gestión universitaria, Goverment Linked Data que es la aplicación de los principios de Datos Enlazados en entornos gubernamentales, entre otros muchos con resultados satisfactorios en sus campos de aplicación. Esto demuestra que existen los conocimientos científicos y teóricos con respecto al tema pero que las tecnologías desarrolladas hasta el momento no cumplen aún los requisitos necesarios para que la web evolucione aceleradamente a la web 3.0. Otro aspecto de interés es la falta de apoyo y soporte que se evidencia en el CMS Joomla para con la web semántica y los Datos Enlazados. El CMS solo cuenta con un plugin que permite la exportación de datos en formato RDF y Datos Enlazados, el plugin solo es compatible con la versión 1.5 de la aplicación, la última versión del CMS es la 2.5 la cual está tomando gran popularidad por las mejoras que tiene incorporada y además por las facilidades que esta brinda, el plugin descrito no cuenta con soporte para ser incorporado a esta última versión. Teniendo en cuenta lo anterior se puede apreciar la falta de interés de los desarrolladores de Joomla, esto puede significar la pérdida de terreno en el nivel de uso del sistema. Drupal, sin embargo, posee una cantidad considerable de extensiones que permiten incorporar contenidos semánticos a los portales web. Su comunidad de desarrollo está bien organizada y cuenta con abundante documentación sobre las extensiones desarrolladas. La herramienta triplify es una sencilla y excelente solución para la exportación de Datos Enlazados y en formato RDF en la web. En la actualidad la mayoría de los sitios web poseen una base de datos donde se encuentra la información que contiene el sitio web y no están sobre la base de algún CMS, esto implica que no se puedan utilizar las herramientas vistas anteriormente. Triplify no usa interfaces ni protocolos para exportar los datos, lo cual se convierte además en una ventaja significativa para la adopción de esta herramienta como vía para la semantización de una aplicación en específico. Conclusiones La web semántica se presenta como una tecnología perteneciente a una evolución de la web que va teniendo un desarrollo acelerado, además permite analizar la información mostrada a los usuarios. Las herramientas que se han desarrollado hasta el momento no tienen aún la madures necesaria para la completa explotación de todos los elementos de la web semántica y además predomina el desconocimiento de estos elementos en la comunidad de desarrolladores web, no obstante las herramientas presentadas reducen el trabajo de los desarrolladores y publicadores de los CMS con el objetivo de semantizar una aplicación en específico además de mostrar otra alternativa a los sitios que no tienen como base un CMS, como el caso de la aplicación Triplify. 7

8 Agradecimientos Los autores de esta investigación desean agradecer la colaboración ofrecida por el Vicedecanato de Investigación y Postgrado de la Facultad 3. Referencias AUER, S., S. DIETZOLD, J. LEHMANN, S. HELLMANN, et al. Triplify: Light-Weight Linked Data Publication from Relational Databases. In Proceedings of the Proceedings of the 18th International Conference on World Wide Web, Madrid, Spain 2009 ACM, , BERNERS-LEE, T. Information Management: A Proposal. [en línea] 1989 [Consultado el: 12 de junio de 2012]. Disponible en: [ BERNERS-LEE, T. Linked Data - Design Issues. [en línea] [Consultado el: 15 de junio de 2012]. Disponible en: [ CORLOSQUET, S. RDF CCK. [en línea] 2008 [Consultado el: 20 de junio de 2012]. Disponible en: [ CORLOSQUET, S. RDF SPARQL Proxy. [en línea] [Consultado el: 20 de junio del 2012]. Disponible en: [ CORLOSQUET, S. RDF Extensions. [en línea] 2011 [Consultado el: 10 de junio de 2012]. Disponible en: [ FERNÁNDEZ, L. C. Procedimiento semi-automático para transformar la web en web semántica. Tesis doctoral. Universidad Nacional de Educación a Distancia. España, GRAF, H. Building Websites with Joomla! Edtion ed. Birmingham - Mumbai: Packt Publishing, ISBN HEATH, T. AND C. BIZER Linked Data. Evolving the Web into a Global Data Space. Edtion ed.: Morgan & Claypool, ISBN JOSE, S. Drupal, mucho más que una gota en el océano. [en línea] 2011 [Consultado el: 26 de mayo de 2012]. Disponible en: [ KLYNE, G. AND J. CARROLL. Resource Description Framework (RDF): Concepts and abstract syntax - w3c recommendation. [en línea] 2004 [Consultado el: 20 de mayo de 2012]. Disponible en: [ PRUD'HOMMEAUX, E. AND A. SEABORNE. SPARQL Query Language for RDF. [en línea] [Consultado el: 27 de mayo de 2012]. Disponible en: [ W3TECHS. Usage Statistics and Market Share of Content Management Systems for Websites. [en línea] 2012 [Consultado el: 19 de abril de 2012]. Disponible en: [ 8

9 ZHANG, J. Simple RDF.[en línea] 2011 [Consultado el 2 de junio de 2012]. Disponible en: [ 9