1. Semantik auf Knopfdruck?
Qualität von CMS-generierten semantischen
Daten
Hannes Mühleisen, AG NBI / WBSG
Xinnovations 2012

2. Fahrplan
2

3. Fahrplan
• Eingebette strukturierte Daten auf
Webseiten
2

4. Fahrplan
• Eingebette strukturierte Daten auf
Webseiten
• Daten in Content-Management-
Systemen
2

5. Fahrplan
• Eingebette strukturierte Daten auf
Webseiten
• Daten in Content-Management-
Systemen
• Resultate einer Analyse strukturierter
Daten im Web
2

6. Eine typische
Webseite...
My name is Horst Mustermann, here is my home page:
<a href="http://www.horst.example">
www.horst.example</a>. I live in Berlin, where I
work as a Researcher at Freie Universität Berlin.
3

7. ... mit impliziten
Informationen
Name Webseite
Person
Ort Titel Organisation
4

8. Lösung: zusätzliche
Tags
• Populäre Vokabulare
• schema.org, Open Graph
protocol, ...
• Unterschiedliche Formate
• μFormats, RDFa, Microdata
5

9. Beispiel: Microdata +
schema.org
<div itemscope itemtype="http://data-
vocabulary.org/Person">
My name is <span itemprop="name">Horst
Mustermann</span>, here is my homepage:
<a href="http://www.horst.example"
itemprop="url">www.horst.example</a>.
I live in
<span itemprop="address" itemscope
itemtype="http://data-vocabulary.org/Address">
<span itemprop="locality">Berlin</span>
</span>
where I work as a <span
itemprop="title">Researcher</span> at <span
itemprop="affiliation">Freie Universität Berlin
</span>.
</div>
6

10. Beispiel: Microdata +
schema.orgStrukturierte
Daten!
Item
Type = http://data-vocabulary.org/person
name = Horst Mustermann
title = Researcher
affiliation = Freie Universität Berlin
url
text = www.horst.example
href = http://www.horst.example/
address = Item
Type = http://data-vocabulary.org/address
locality = Berlin
7

11. Content-Management-
Systeme
• ~ 30 % der
Top-1Mio-Webseiten
benutzen CMS-
Software
• Wordpress...
Quelle: http://w3techs.com/technologies/overview/content_management/all
8

12. Datenmodelle von CMS
• Generisch: Seite, Objekt, Feld, Datum
• Drupal, Typo3, ...
• Blog: Artikel, Kommentare
• Wordpress, ...
• Shop: Produkte, Bewertungen
• osCommerce, ...
9

13. Semantik auf
Knopfdruck?
Semantik Typen z.B.
Spezialisierte
Inhalt CMS / Produkte
Manuell Qualität
Metadaten Alle CMS Autor
Seitenstruktu
Alle CMS Navigation
r
10

14. Beispiel: Drupal
11

15. Beispiel: Drupal
Datenmodell frei, Semantik der Felder aber unklar
11

16. Beispiel: Wordpress
12

17. Beispiel: Wordpress
Titel
URL
Blogartikel
Datum
Text (!)
12

18. Beispiel: Wordpress
Titel
URL
Blogartikel
Datum
Text (!)
Weitere Daten nicht strukturiert vorhanden!
12

19. Beispiel: Magento
13

20. Beispiel: Magento
Daten strukturiert, Publikation “auf Knopfdruck”?
13

21. • Common-Crawl Datensatz, ~1 % “des
Web”
14

22. • Common-Crawl Datensatz, ~1 % “des
Web”
• Verfügbare Daten
• Index 02-12: 1.7 Mrd. URLs (21 TB)
• Index 09/12: 2.8 Mrd. URLs (29 TB)
14

23. • Common-Crawl Datensatz, ~1 % “des
Web”
• Verfügbare Daten
• Index 02-12: 1.7 Mrd. URLs (21 TB)
• Index 09/12: 2.8 Mrd. URLs (29 TB)
• Alle strukturierten Daten wurden
extrahiert und nach RDF konvertiert
14

24. Analyse - Formate
• URLs mit
strukturierten Daten: 2009/2010
4
+6%
02−2012
Percentage of URLs
3
2
1
0
RDFa Microdata geo hcalendar hcard hreview XFN
Format
15

25. Analyse - Formate
• URLs mit
strukturierten Daten: 2009/2010
4
+6%
02−2012
Percentage of URLs
3
• Microdata +14%
2
1
(schema.org?)
0
RDFa Microdata geo hcalendar hcard hreview XFN
Format
15

26. Analyse - Formate
• URLs mit
strukturierten Daten: 2009/2010
4
+6%
02−2012
Percentage of URLs
3
• Microdata +14%
2
1
(schema.org?)
0
•
RDFa Microdata geo hcalendar hcard hreview XFN
RDFa +26% Format
(Facebook?)
15

27. Analyse - Datenarten
Microdata 02/2012
RDFa 02/2012
5e+06
RDFa 2009/2010
Microdata 2009/2010
Entity Count (log)
5e+05
5e+04
5e+03
0 50 100 150 200
Type
Webseiten-Struktur 23 %
Produkte & Bewertungen 19 %
Medien (Filme, Musik,...) 15 %
Personen & 15 %
Organisationen 2012-Microdata
16

28. Detailgrad (Beispiele)
Durchsch
Typ n. Populäre Properties
Propertie
s name, description, image, price,
Product 6.9 priceCurrency, availability
name, url, image, foundingDate,
Organization 7.9 addressLocality, postalCode,
addressRegion
Stichprobe, ca. ~6 Mio Tripel, Datensatz 2012-Microdata
17

29. Datenqualität (Beispiel)
Item
Type = http://schema.org/Product
name = Werkzeug AKKU für Makita Werkzeuge
7,2V 2100 mAh Ni-MH 4071D 4073D
description = Ersatz für folgende Modelle:
MAKITA 3000 Serie MAKITA 3000DW,[...]
availability = http://schema.org/InStock
price = 27,90
priceCurrency = EUR
18

30. Datenqualität (Beispiel)
Item
Type = http://schema.org/Product
name = Werkzeug AKKU für Makita Werkzeuge
7,2V 2100 mAh Ni-MH 4071D 4073D
description = Ersatz für folgende Modelle:
MAKITA 3000 Serie MAKITA 3000DW,[...]
availability = http://schema.org/InStock
price = 27,90
priceCurrency = EUR
Item
Type = http://schema.org/Product
description = Isolierte Gefahrstoff-
Container zur sicheren, frostfreien
Lagerung von Gefahrstoffen. [...]
18

31. Datenqualität (Beispiel)
Item
Type = http://schema.org/Product
name = Werkzeug AKKU für Makita Werkzeuge
7,2V 2100 mAh Ni-MH 4071D 4073D
description = Ersatz für folgende Modelle: Super!
MAKITA 3000 Serie MAKITA 3000DW,[...]
availability = http://schema.org/InStock
price = 27,90
priceCurrency = EUR
Item
Type = http://schema.org/Product
description = Isolierte Gefahrstoff- Nicht so
Container zur sicheren, frostfreien
Lagerung von Gefahrstoffen. [...] super
18

32. Zusammenfassung
19

33. Zusammenfassung
• Spezialisierte CMS bieten ideale
Voraussetzungen für die Publikation
strukturierter Daten (“Knopfdruck”)
19

34. Zusammenfassung
• Spezialisierte CMS bieten ideale
Voraussetzungen für die Publikation
strukturierter Daten (“Knopfdruck”)
• Strukturierte Daten aus CM-Systemen
eingebettet in HTML-Seiten weit
verbreitet
19

35. Zusammenfassung
• Spezialisierte CMS bieten ideale
Voraussetzungen für die Publikation
strukturierter Daten (“Knopfdruck”)
• Strukturierte Daten aus CM-Systemen
eingebettet in HTML-Seiten weit
verbreitet
• Bisher begrenzter Nutzungsbereich
19

36. Vielen Dank für Ihre
Aufmerksamkeit!
Fragen?
Twitter: @hfmuehleisen
Web: http://webdatacommons.org
http://hannes.muehleisen.org