Las consultas semánticas permiten consultas y análisis de naturaleza asociativa y contextual . Las consultas semánticas permiten la recuperación de información derivada tanto explícita como implícitamente basada en información sintáctica , semántica y estructural contenida en los datos. Están diseñados para ofrecer resultados precisos (posiblemente la selección distintiva de una sola pieza de información) o para responder preguntas más confusas y abiertas mediante la comparación de patrones y el razonamiento digital .
Las consultas semánticas funcionan en gráficos con nombre , datos vinculados o tripletas . Esto permite que la consulta procese las relaciones reales entre la información e infiera las respuestas a partir de la red de datos . Esto contrasta con la búsqueda semántica , que utiliza la semántica (significado de las construcciones del lenguaje) en texto no estructurado para producir un mejor resultado de búsqueda. (Ver procesamiento del lenguaje natural ).
Desde un punto de vista técnico, las consultas semánticas son operaciones precisas de tipo relacional muy parecidas a una consulta de base de datos . Trabajan con datos estructurados y, por lo tanto, tienen la posibilidad de utilizar funciones integrales como operadores (p. ej., >, < y =), espacios de nombres, coincidencia de patrones , subclases , relaciones transitivas , reglas semánticas y búsqueda contextual de texto completo . La pila de tecnología web semántica del W3C ofrece SPARQL [1] [2] para formular consultas semánticas en una sintaxis similar a SQL . Las consultas semánticas se utilizan en triplestores , bases de datos de gráficos , wikis semánticas , lenguaje natural y sistemas de inteligencia artificial .
Las bases de datos relacionales representan todas las relaciones entre datos únicamente de manera implícita . [3] [4] Por ejemplo, las relaciones entre clientes y productos (almacenados en dos tablas de contenido y conectadas con una tabla de enlaces adicional) solo existen en una declaración de consulta ( SQL en el caso de bases de datos relacionales) escrita por un desarrollador. Escribir la consulta exige un conocimiento exacto del esquema de la base de datos . [5] [6]
Los datos vinculados representan todas las relaciones entre datos de manera explícita . En el ejemplo anterior, no es necesario escribir ningún código de consulta. El producto correcto para cada cliente se puede buscar automáticamente. Si bien este simple ejemplo es trivial, el poder real de los datos vinculados entra en juego cuando se crea una red de información (clientes con su información geoespacial como ciudad, estado y país; productos con sus categorías dentro de subcategorías y supercategorías). ). Ahora el sistema puede responder automáticamente consultas y análisis más complejos que buscan la conexión de una ubicación particular con una categoría de producto. Se omite el esfuerzo de desarrollo para esta consulta. La ejecución de una consulta semántica se realiza recorriendo la red de información y encontrando coincidencias (también llamado Data Graph Traversal ).
Otro aspecto importante de las consultas semánticas es que el tipo de relación se puede utilizar para incorporar inteligencia al sistema. La relación entre un cliente y un producto tiene una naturaleza fundamentalmente diferente a la relación entre un barrio y su ciudad. Esto último permite que el motor de consulta semántica infiera que un cliente que vive en Manhattan también vive en la ciudad de Nueva York , mientras que otras relaciones pueden tener patrones y "análisis contextuales" más complicados. Este proceso se llama inferencia o razonamiento y es la capacidad del software para derivar nueva información basada en hechos determinados.