I přesto, že vize sémantického webu je zde již od roku 2001, se využívání sémantických technologií na internetových portálech prozatím nijak masově nerozšířilo. Jsou však vidět jakési první vlaštovky, které si v této kapitole představíme. Budeme se zabývat hlavně známými (často komunitními) weby, které mohou implementací sémantických technologií seznámit širší veřejnost s jejich možnostmi a přinutit další servery k jejich nasazení. Soukromými weblogy sémantických nadšenců se zde naopak zaobírat nebudeme. Ani by to nebylo v našem zájmu. Ke konci kapitoly se také okrajově zaměříme na český web, kde se sémantické technologie začínají pomalu prosazovat.
Úplně nejdřív si ale představíme některé otevřené databáze, na kterých komunitní a informační weby často staví. Hned po nich zmíníme několik sémantických vyhledávačů, kterých s rozvojem ontologií stále přibývá. A potom již slibované portály, s kterými přicházíme na Internetu denně do styku.
DBpedia je kompletní export informací ze serveru Wikipedia.org do RDF.
Díky tomu můžeme pokládat sofistikované dotazy a výsledky dostávat
jednodušeji. Např.: SPARQL dotaz můžeme DBpedii položit zde - http://dbpedia.org/sparql. Jelikož
informace pocházejí z Wikipedie, tak je jejich komplexnost téměř zaručena.
Pokud se tedy budeme chtít podívat, jak takový výstup v RDF z DBpedie vypadá
při zadání dotazu "Prague", klineme si na následující odkaz http://dbpedia.org/page/Prague.
V současné době má DBpedia více než 2,9 milionů záznamů. Toto číslo zahrnuje cca 282 tisíc osob, 339 tisíc míst, 88 tisíc hudebních alb, 44 tisíc filmů, 15 tisíc her, 119 tisíc organizací, 130 tisíc odrůd a 4400 chorob [top10].
Freebase.org je další otevřená databáze a vytváří ji firma Metaweb technologies. Tato databáze čerpá z jiných otevřených zdrojů, jakými jsou například Wikipedia nebo Musicbrainz. Dává si za cíl poskytovat strukturované informace, které budou využitelné jak člověkem, tak počítačem. Stránky postupně po jejich analýze z hlediska obsahu přidává ke své ontologii. Freebase tak má již nyní více než 3 miliony položek. 750 tisíc osob, 450 tisíc míst, 50 tisíc firem a 40 tisíc filmů. Využívá pro to svou vlastní ontologii a dotazovací jazyk. Ten se od standardizovaného jazyku SPARQL liší [ChipSemWeb].
MusicBrainz.org je otevřená hudební databáze čítající cca 450 tisíc hudebních interpretů a cca 8 milionů tracků. Detailně pokrývá informace o zpěvácích, kapelách, jejich nahrávkách a vztazích mezi nimi. U hudebních nahrávek ukládá informace o názvu desky, názvy jednotlivých tracků a jejich délku. Může ale obsahovat i informace o datu vydání, zemi a krátký úryvek z písničky. Takováto databáze se pak dá jednoduše využít k jakékoliv hudební encyklopedii, portálu o hudebních interpretech, hudebních stylech nebo k vytvoření aplikace, která by tagovala mp3 na základě porovnání úryvku hraného v přehrávači s úryvkem uloženým na MusicBrainz.org (něco takové již funguje v přehrávači winamp, který spolupracuje s CDDB serverem). Využití je zkrátka mnoho.
Abychom nehovořili jen o otevřených databázích osob, organizací, hudebních interpretů, tak si představíme jednu databázi ryze obchodní/produktovou. Je z dílny nejúspěšnějšího výrobce mobilních telefonů - firmy Nokia. Na svých stránkách vývojářský tým Nokie (Nokia Research Center) tvrdí, že sémantický web chápou jako další vývojový krok v oblasti webových technologií a tak chtějí být jeho součástí. Odpovědí na tento fakt bylo spuštění serveru Nokia Semantic Web Server, který poskytuje přístup k metadatům jednotlivých Nokia produktů, dokumentací, slovníků, schémat a dalších zdrojů, které jsou poskytovány zákazníkům a partnerům firmy Nokia. Server je ale koncipován tak, aby vyhovoval strojovému použití, a není proto určený pro lidi jako uživatele.
Pokud by každý výrobce poskytoval takovéto informace o svých produktech, odpadla by starost distributorů a prodejců o aktuální informace. Měli by je všichni stejné a aktuální. Jediné, v čem by se lišili, by byla cena, dodací lhůta a jiné specifika daného obchodu.
Powerset.com je sémantický vyhledávač, který k vyhledávání používá v zásadě 2 zdroje: Wikipedii a Freebase. Snaží se poskytovat výsledky na dotazy pokládané v přirozeném jazyce. Typickým příkladem takového dotazu je např.: "Jak starý je Barack Obama?". V našem případě dostaneme odpověď ve formě data narození a v závorce i stáří Baracka Obamy - "August 4, 1961 (48 years ago)". U tohoto výsledku je vypsán také zdroj informací - Freebase. Po rozkliknutí dostaneme podrobné zdrojové informace, z kterých Powerset čerpal. Můžeme si tak případně ověřit správnost překládaných výsledků. Pod odpovědí vyjádřenou datem a počtem roků se ještě navíc vypíší relevantní články z Wikipedie, kde si můžeme najít další podrobnější informace o hledaném subjektu [ChipSemWeb].
Dne 1. září 2008 byl Powerset koupen společností Microsoft a jeho jádro bylo zapracováno do nového vyhledávače jménem Bing [powerset].
Jedním z dalších sémantických vyhledávačů je True Knowledge. Oproti Powersetu poskytuje zdarma své API, nad kterým můžete vytvořit svou vlastní aplikaci. Dokáže poskytovat podobné výsledky jako Powerset, ale liší ve svém dotazovacím jazyku. Je totiž možné mu položit i tak složitý dotaz, jako např.: "Kdo byl prezidentem USA, když byl Barack Obama ještě teenager?"
True Knowledge poskytuje také rozšíření pro prohlížeče Firefox a IE, které do výsledků vyhledávání (pracuje s vyhledávači: Google, Yahoo!, Bing a Ask) přidá na první pozici výsledek z True Knowledge. Jak takové výsledky vyhledávání vypadají, si můžeme prohlédnout na níže uvedeném obrázku nebo na oficiálním videu ze serveru YouTube.
Obrázek 5.8. Upravené výsledky vyhledávání pomocí True Knowledge. (Zdroj:
http://www.trueknowledge.com)
I Hakia.com se řadí mezi sémantické vyhledávače. Specifický je v tom, že výsledky vyhledávání řadí do záložek podle toho, jestli se jedná o: webové výsledky, věrohodné zdroje, obrázky, zprávy nebo jiné. Věrohodné zdroje (anglicky Credible sites) jsou zdroje doporučené skupinou profesionálů (knihovníků). Hakia je totiž postaven na myšlence, že populární zdroj ještě nemusí být důvěryhodný a naopak důvěryhodný zdroj nemusí být populární (mít vysoké ranky a hodnocení u vyhledávačů). V této době Hakia svým doporučením pokrývá témata zdraví a životního prostředí. Další budou přibývat.
Vyhledávač Swoogle je výzkumný projekt, který má na starosti Li Ding a Tim Finin z Univerzity v Marylandu (Baltimore County). Swoogle indexuje RDF a OWL dokumenty a webové stránky s vloženým RDF metadaty (eRDF, RDFa). Výsledky vyhledávání řadí podle ranku podobného PageRanku od Googlu, ale uzpůsobeného pro sémantický web. Uživatel má také možnost výběru, jestli chce prohledávat pouze názvy tříd nebo jejich vztahů.
Swoogle disponuje také rozhraním pro webové služby, takže je možné ho použít v dalších externích automatizovaných nástrojích. V současné době Swoogle indexuje přes 1,2 mil. dokumentů a 1 mld. RDF trojic (subjekt-vtah-objekt) [swoogle]. V porovnání s rokem 2005, kdy Swoogle indexoval cca 337 tisíc dokumentů a cca 47 mil. RDF trojic, je to značný nárůst [swoogleJelinek].
Semanti není tak úplně sémantický vyhledávač, ale jakási pomůcka, která nám usnadňuje vyhledávání. Po nainstalování doplňku do prohlížeče nám při vyhledávání "našeptává" pojmy, které máme rozepsané a vedle nich také zobrazuje jejich definice. Semanti má svou vlastní ontologii, která čítá cca 8 mil. pojmů [semanti]. Díky tomu do vyhledávače vkládáme správné pojmy. Ve výsledcích se nám vedle výsledků Googlu (nebo jiného vyhledávače) zobrazují také námi v minulosti navštívené a uložené stránky. Tyto stránky můžeme také sdílet a doporučovat našim přátelům skrz sociální síť Facebook (social search). Pokud si tedy svůj účet propojíme se sítí Facebook, tak nám budou ve výsledcích doporučovány také výsledky našich přátel, které jsou podle očekávání relevantnější než jiné.
Ačkoliv Wolfram Alpha má se sémantickým webem jen pramálo společného, je třeba ho zde zmínit, protože s ním byl v médiích několikrát mylně zmiňován (např.: lupa.cz). Jedná se o výpočetní engine, který na základě matematických a statistických modelů vypočítává výsledky. Je založen na sofistikovaném systému Mathematica. Pracuje s jazykovou (linguistickou) sémantikou, která nemá se sémantickým webem co do činění. Podkladovými daty jsou zde odborné studie a vědecké materiály, které jsou podobně jako u vyhledávačů procházeny crawlery. Pravdivost informací je tak zaručena.
Jak Wolfram Alpha funguje? Jeho revolučnost spočívá v tom, jaké výsledky nám dává. Pokud Googlu zadáme dotaz "HDP Česká republika", tak dostaneme přehršel stránek, které můžou a nemusí být zcela relevantní. Oproti tomu Wolfram Aplha je jakási interaktivní encyklopedie (zaměřuje se na oblast matematiky, statistiky, fyziky, chemie, zeměpisu, ekonomie, atd.), která nám vrátí výsledek jeden, ale správný a plně relevantní (v optimálním případě). V našem případě bychom tedy dostali výsledek obsahující přesná fakta o našem HDP a výčet s ním souvisejících statistik a grafů za poslední léta.
Open Calais je dalším webem zabývajícím se prohledávání dokumentů. Tento je specifický v tom, že hledá na webových stránkách informace v podobě objektů, faktů a incidentů a ty pak exportuje do formátu RDF.
Jeho praktické využití si můžeme vyzkoušet pomocí doplňku pro Firefox nazvaného ClearForest Gnosis [ChipSemWeb].
Doplněk Gnosis funguje tak, že v reálném čase při prohlížení stránky podtrhuje pojmy v textu různými barvami a zvýrazňuje tak lidi, organizace, společnosti, produkty a geografické informace. Po najetí na takto zvýrazněný pojem můžeme hned vyhledat další relevantní informace k onomu tématu.
Yahoo! přišlo v únoru 2008 se zprávou o inovaci svého vyhledávání. Nový vyhledávací engine založený na prvcích sémantického webu se jmenuje SearchMonkey. Oznámili, že tento vyhledávač bude využívat metainformací vložených do stránek. Představil také náhled, jak budou takové výsledky vyhledávání vypadat [yahoo].
Nejdříve Yahoo! podporoval mikroformáty a formát eRDF, v říjnu roku 2008 oznámil také podporu formátu RDFa. SearchMonkey tak používá a podporuje 3 navzájem konkurenční formáty a zdá se, že nehodlá žádný z nich nijak protěžovat [yahoo2] [yahoo3].
Používání vyhledávácího enginu SearchMonkey se dá v běžném vyhledávání Yahoo! zapnout i vypnout [searchmonkey2]. Yahoo! má samozřejmě zájem, aby sémanticky anotovaný obsah na Internetu jenom bujel, a proto také pro webové vývojáře připravila e-příručku, kde radí, jak správně zapisovat produkty, místa, události a jiné informace.
Google v květnu roku 2009 oznámil, že do jádra svého vyhledávače přidal podporu mikroformátů a RDFa [google]. Z úst Othara Hanssona zaznělo, že ze začátku bude Google podporovat jen několik projektů (namátkou: LinkedIn, CNet a jiné) a postupem času se podpora rozšíří na celý vyhledávací index. Google motivuje autory stránek, aby si na své weby začali informace sémanticky označovat (týká se to hlavně recenzí, osob, firem a produktů), protože Google bot s nimi již dokáže pracovat (rozpoznat je) a bude je dále nabízet uživatelům (Google tuto novinku nazval "rich snippets") [google2]. Google je v podpoře těchto technologií poměrně pozadu (viz Yahoo!).
Pokud si nyní v Googlu vyhledáme informace například o McDonaldu v New Yorku, tak již u výsledků máme hodnocení a recenze, které nám mohou pomoci při rozhodování.
Další sémantickou aktivitou je vyhledávání obrázků na základě u nich uvedených licencí. Pokud ve vyhledávači obrázků klikneme na podrobnější vyhledávání, máme možnost si vybrat i z licence, která s obrázkem souvisí (je jí označkována). Licence je u obrázku uvedena pomocí formátu RDFa nebo mikroformátů [google4].
Drupal je populární systém pro správu obsahu (CMS). V jeho 7. verzi chce v RDF publikovat svá interní data. O RDF mluví vedení jako o budoucnosti Drupalu. Dále chtějí integrovat dotazovací jazyk SPARQL. Na vývoji se podílí skupina vývojářů sémantického webu a klade si při něm otázky jako "Jakou ontologii bychom měli použít?", "Jak nejlépe označit články na Drupalu" a jiné. Pomoct by jim v tom měl vývojář standardu RDFa - Mark Birbeck [drupal].
V souvislosti s Drupalem se nemůžeme nezmínit o Wordpressu, protože ten již několik let podporuje a používá ve svém CMS mikroformát XFN na propojení mezi jednotlivými autory blogů. Můžeme tak jednoduše určit, že osoba, na kterou nyní odkazuju, je můj kamarád a ještě kolega z práce.
Server YouTube je nejúspěšnější video server na Internetu. Momentálně je ve vlastnictví Googlu, ale i přes to se o jeho budoucnosti diskutuje. Od svého založení se totiž doposud nedostal do černých čísel a ani Google prozatím neví, jak z něj udělal ziskový produkt. Uvažuje se o zavedení krátkých reklamních spotů před vybraná videa [youtube]. Co nás ale bude zajímat je to, že YouTube začalo používat technologii sémantického webu. Konkrétně mikroformáty. Pro označení autora videa se nyní na YouTube setkáme s mikroformátem hCard. A jelikož se vývojáři YouTube na diskusním fóru mikroformátů vyptávají na další možnosti této technologie, je možné, že hCard nebude posledním mikroformátem na tomto známém serveru [youtubehCard].
DMOZ (Directory Mozilla) je jedním z nejuznávanějších internetových katalogů. Stojí za ním početná komunita administrátorů, kteří udržují katalog po obsahové a strukturální stránce. Struktura i obsah jsou pak volně přístupny ve formátu RDF [SemWebTutorial].
Na jaře roku 2008 BBC na svém webu nasadilo mikroformáty a hned se strhla velká diskuze, jestli je to správná cesta. Web tak získal na dalších možnostech zpracování, ale utrpěl na přístupnosti. Kritikové totiž apelovali na nesprávné použití značky abbr a jeho atributu title pro mikroformát hCalendar. Tento atribut slouží hlavně člověku a zde byl použit pro stroj. Hlasová čtečka by tak s tímto zápisem měla problém a tím by obsah nebyl přístupný všem uživatelům Internetu jako dřív. Vedla se i diskuze o úpravě hlasový čteček, ale na tomto poli se žádná revoluce nekonala. Po dlouhé diskuzi se BBC rozhodlo problémové mikroformáty z webu stáhnout. Jednalo se právě o mikroformát hCalendar. Ostatní na webu ponechalo (např.: hCard). Dále BBC upozornilo, že svůj zájem bude orientovat i směrem k RDFa [bbc].
BBC Music Beta představuje projekt, který sémanticky prolinkovává a anotuje jednotlivé hudební interprety, které hrají BBC rádia. Díky těmto stránkám můžou hudební fandové přicházet na souvislosti a propojení mezi jednotlivými kapelami, zpěváky a písničkami, o kterých třeba ani netušili. Většina podkladových informací pochází z MusicBrainz, což je otevřená hudební databáze čítající cca 450 tisíc hudebních interpretů [top10] [bbcMusic].
Google maps začaly informace o místech zájmu (muzea, dopravní spoje, obchody, restaurace, atd.) obalovat metadaty již v červenci roku 2007. Použily pro to mikroformát hCard. Informaci oznámili na svém vlastním blogu [googlemaps].
Twitter je velmi populární komunikační a informační kanál. Jeho podstata je natolik jednoduchá, že spousta lidí ani nechápe, že se mohl Twitter vůbec uchytit. Umožňuje nám prezentovat svůj status tzv. followerům, kteří nás "sledují". My naopak můžeme "sledovat" uživatele ostatní a tím získávat informace o jejich statusech. Tím, že si vybíráme lidi z oboru, který nás zajímá, se zároveň dozvídáme relevantní informace pro nás užitečné. Na Twitteru si vytváří profily obyčejní lidé, celebrity, zpěváci, firmy, organizace, atd.
V květnu roku 2007 byly do Twitter profilů naimplementovány mikrofomáty hCards, XFN, a hAtom [twitter].
LinkedIn je portál, který umožňuje propojovat lidi na základě vztahů (pracovních, školních, soukromých, atd.). Nejčastěji se lidé propojují na profesní bázi a jejich vzniklý profil pak odráží jejich zkušenosti a znalosti. Lidé se zde můžou dále doporučovat (psát osobní reference), připojovat do firem a jiných organizací. Momentálně má cca 53 milionů členů a každou sekundu přibývá jeden další.
I tento server začal své data obohacovat o metadata. Jako formát si vybral mikroformáty a z nich konkrétně hCard a hResume [linkedin].
Digg.com je online záložkovací systém, který je postavený na hodnocení jednotlivých příspěvků. Jakmile článek (video, fotka, atd.) dostane vysoké hodnocení, objeví se na titulní stránce. Digg.com začal implementovat RDFa v dubnu 2008. Upozornil na to server RDFa.info [rdfainfo].
Server Flickr.com je určený pro sdílení uložených fotek. Fotky si zde můžete upravovat (otáčet, ořezávat), hodnotit, komentovat, ale hlavně tagovat. Takto označkované fotky se dají jednoduše tématicky vyhledávat a organizovat.
Flickr nově začal pomocí RDFa vyznačovat údaje o licenčních podmínkách u uploadovaných fotek. Využívá k tomu creative commons. Upozornil na to Michael Hausenblas na diskusním fóru mail-archive.com. Po nahlédnutí do zdrojových kódů stránky Flickru zjistíme, že vedle CC používá ještě také FOAF a Dublin Core.
Stejně tak ale vedle RDFa využívá také mikroformát hCard a XFN pro Flickr profily a mikroformát Geo pro vyznačení umístění fotek na mapě [microimplementation].
Je vyhledávač a agregátor webových blogů, který pomocí mikroformátů začal trackovat jejich obsah. Ve svém vyhledávacím enginu používá a zohledňuje mikroformáty hCard, hReview a hCalendar [microimplementation].
V květnu roku 2009 informoval server RDFa.info o dalším z webů, který začal používat RDFa. Tentokrát jim byl server SlidShare.net, který nabízí možnost nahrání prezentace na Internet a je tam umožněno její sdílení mezi ostatní uživatele Internetu. Prezentace se dá jednoduše vkládat do jiných stránek a dál se tak šířit [rdfainfo].
Last.fm je server sloužící pro zaznamenávání hudby, kterou přehrává náš hudební přehrávač (nejčastěji Winamp nebo Windows Media Player), do statistik našeho online profilu. Last.fm z těchto údajů pak dělá žebříčky a statistiky a na jejich základě nám je schopno doporučit podobnou hudbu, která by se nám mohla líbit, zve nás na události týkající se našich oblíbených interpretů a jinak s námi interaguje. Pro popis událostí, kontaktů a míst si tento server vybral mikroformáty, konkrétně Geo, hCard, XFN a hCalendar [lastfm].
Blogger.com je online publikační systém, který vytvořila firma Pyra Labs v roce 1999. Rychle se stal jedním z nejpoužívanější blogovacích systémů a proto není s podivem, že jej v únoru 2003 koupil Google. Blogger umožňuje svým uživatelům psát si svůj osobní (i firemní) zápisník a tam vytvářet a editovat své příspěvky, upravovat si vzhled svého blogu, atd.
Blogger začal s podporou formátu hAtom, což je mikroformát sloužící k identifikování blogových příspěvků. Mimo něj používá také rel-tag, standard pro značkování/štítkování dokumentu a dovoluje také vkládat informace o autorovi s mikroformátem XFN.
Bitmunk.com je služba poskytující možnost přeprodeje digitálních souborů mezi lidmi na Internetu. Nejčastěji jde o hudební soubory (mp3). Do budoucna by měl poskytovat prodej filmů, elektronických knih, atd.
Momentálně je na serveru jako jediná záložka Music, kde se prodávají nahrávky různých hudebních interpretů. Každá stránka o kapele, albu nebo písničce obsahuje informace obohaceny o RDFa formát. Takže si můžeme díky nástrojům prohlížeče automaticky najít kapelu na MusicBrainz nebo Last.fm, zpěváka na Wikipedii, atd.
Server Joost.com je zaměřen na přehrávání videa. U nás není moc znám, ale v USA se těší velké pozornosti. V roce 2007 začal implementovat RDFa a to sice slovníky FOAF a Dublin Core [joost].
V době psaní této práce už ale nebyly ve zdrojovém kódu stránky přítomny.
Naopak se tam objevil jmenný prostor Facebooku
xmlns:fb="http://www.facebook.com/2008/fbml". Ten ale není
nikde na stránce použit, takže je možné, že jde pouze o přípravu na
implementaci nové funkčnosti.
Seznam jako jednička na českém poli vyhledávačů přišel s podporou mikroformátů už v lednu roku 2009. Vývojáři oznámili, že vyhledávač nyní pracuje s mikroformátem Geo, který slouží k zadání zeměpisné plochy sémantickým způsobem přímo do HTML kódu stránky. Ve výsledcích vyhledávání se pak taková stránka zobrazí s odkazem Zobrazit na mapě. Mikroformát Geo prozatím není na českém Internetu moc používaný, ale to by se mohlo s podporou Seznamu zlepšit [seznamGeo].
Jako vůbec první český server, který podporoval některý z mikroformátů, byl server Zlatéstránky.cz. Do výsledků vyhledávání ve svém katalogu přidával informace o poloze na mapě (Geo). Následoval jej server od společnosti Telefonika - 1188.cz. Zde běží telefonní seznam a firemní katalog a na obou těchto službách je zavedena podpora mikroformátu hCard, díky kterému můžeme pohodlně exportovat kontaktní informace o nalezeném subjektu. Uživatelé prohlížeče Firefox, kteří mají nainstalovaný plug-in Operator [7], můžou s takovýma informace dále pracovat: zobrazovat si výsledky na mapách nebo si kontaktní informace pohodlně uložit ve formě vizitky. [zlatestranky1188]