Seminario: SeMQuAK: Modellazione Semantica delle Metriche di Qualità dei Knowledge Graph di Valentina Ferrentino

Abstract: La valutazione automatica della qualità dei Knowledge Graph (KG) genera grandi quantità di dati, prodotti periodicamente dagli strumenti di analisi. Un esempio è KGHeartBeat, progetto open source dell’ISISLab che monitora oltre 1.600 dataset della LOD Cloud, rilasciando ogni settimana file CSV con i risultati delle metriche di qualità. Questi file, però, offrono una visione frammentata e poco interoperabile dei dati, rendendo difficile analizzare l’evoluzione della qualità nel tempo.
Per superare questo limite, la mia tesi propone SeMQuAK (Semantic Modeling of Quality Assessment in Knowledge Graphs), un modulo software sviluppato in Python che trasforma i dati CSV in un modello semantico basato su RDF. Attraverso un processo di Estrazione, Trasformazione e Caricamento, SeMQuAK normalizza i valori e li rappresenta in un grafo unico e coerente, conforme ai principi dei Linked Data.
Questo approccio rende i dati di qualità interoperabili, tracciabili e riutilizzabili, facilitando analisi comparative e monitoraggi nel tempo.