Slide dell'intervento tenuto nell'ambito del ciclo di seminari “Digital Humanities at CTL” il 16/04/2015 alla Scuola Normale Superiore di Pisa da Luca De Santis di Net7.
Non una presentazione “tradizionale” sul Semantic Web ma un’occasione per riflettere sull’attualità, il senso e l’utilità delle tecnologie semantiche.
Un intervento sulla “Semantica nel web” e non solo quindi sul Semantic Web.
Le note sulla genesi di questa presentazione sono disponibili in inglese qui: http://lucadex.blogspot.it/2015/04/theres-semantics-in-this-web.html
1. !
C'è Semantica in questo Web
Luca De Santis – Net7 Srl
desantis@netseven.it
@lucadex
Ciclo di seminari “Digital Humanities at CTL”
Scuola Normale Superiore
Pisa, 16 aprile 2015
3. !
Un po’ di storia
• Nel 1989 Tim Berners-Lee scrive
la sua proposta per un sistema di
gestione delle informazioni che
da lì a pochi anni si sarebbe
trasformato nel World Wide Web
– Proposta “vaga ma eccitante”
secondo il suo capo…
• Da notare come già nella
proposta originaria erano presenti
relazioni semanticamente
espressive tra i documenti
– Non il semplice link “anonimo”
dell'anchor HTML
5. !
Un po’ di storia
• Nel 2001 Tim Berners-Lee, Jim
Hendler e Ora Lassila
propongono un’evoluzione del
web
• Da un web di “documenti” ad un
“web di dati”
• Dati rappresentati in forma
“machine readable”
– Pronti per essere utilizzati
autonomamente da agenti
software, senza alcuna
mediazione umana
• Il Semantic Web è nato!
6. !
La “Visione”
• L’articolo di Scientific American, in cui il Semantic Web venne
presentato, cominciava con una “visione”:
Un uomo riceve una telefonata e deve gestire un appuntamento medico
Delega per intero il compito ad un agente software
L’agente recupera i dati, li interpreta, media tra possibili opzioni di scelta,
esegue il compito e segna l’appuntamento nell’agenda dell’uomo
12. !
• Dati e concetti espressi in triple a formare un grafo di dati
• Uso del formalismo RDF per rappresentare i dati
net7:LDS rdf:type foaf:Person
foaf:name “Luca De Santis”
foaf:mbox “desantis@netseven.it”
foaf:based_near comunedipisa:Pisa
• Le relazioni tra entità nell’RDF costituiscono dei link, al pari
dell’”anonimo” anchor dell’HTML (ma ovviamente più espressivi)
Il Semantic Web in pillole
13. !
Il Semantic Web in pillole
h"p://www.netseven.it/People/LDS
h"p://www.comune.pisa.it/pisa.rdf
foaf:based_near
h"p://xmlns.com/foaf/0.1/Person
rdf:type
Luca
De
San?s
foaf:name
desan?s@netseven.it
foaf:mbox
h"p://dbpedia.org/Resource/Pisa
owl:sameAs
Sogge"o
Predicato
Ogge"o
-‐
en?tà
Ogge"o
-‐
stringa
14. !
Il Semantic Web in pillole
Jim Hendler - The Semantic Web: It’s for Real
15. !
• Uso di Vocabolari per descrivere il dominio di conoscenza da
rappresentare
– Non si chiamavano Ontologie???
Il Semantic Web in pillole
Esempi
di
ontologie
“standard”
16. !
Il Semantic Web in pillole
• La chiave è rappresentare questa conoscenza in forma Machine
processable!!!
– Web of data e NON web of documents
– Agenti software NON persone
• Creare collegamenti con informazioni note (altri dati o ontologie
conosciute/standard)
– sia nei Dati RDF
– sia nella definizione dei vocabolari
• Conoscenza “per analogia”, creata attraverso i collegamenti/link
21. !
Il Semantic Web in pillole
• Modello “Aperto” e non “Chiuso”
– Open World Assumption vs Closed World Assumption
– La conoscenza si forma per accumulo di informazioni…
• Un esempio:
– Immaginiamo un DB relazionale con una tabella per tracciare i vincitori del
festival di Berlino
– Nella tabella c’è una riga per ogni anno del festival e una colonna per
ciascun premio
– Ma nel 2002 l’Orso d’argento per la migliore attrice venne dato ex aequo
alle otto (8!) protagoniste del film 8 donne e un mistero!
– Un modello chiuso (DB) male si adatta a queste eccezioni rispetto ad uno
aperto (grafo RDF)
22. !
Closed World vs Open World
ANNO_BERLINALE
ORSO_D_ARGENTO
_MIGLIOR_ATTRICE
ORSO_D_ARGENTO
_MIGLIOR_ATTORE
ORSO_D_ORO_MI
GLIOR_FILM
…
2001
Kerry
Fox
Benicio
Del
Toro
In?macy
2002
??????????????
23. !
Closed World vs Open World
berlinale:ID2001
berlinale:silver_bear_actress
2002
berlinale:year
actors:Fanny_Ardant
24. !
Closed World vs Open World
berlinale:ID2001
berlinale:silver_bear_actress
2002
berlinale:year
actors:Fanny_Ardant
Actors:Emmanuelle_Béart
actors:Danielle_Darrieux
actors:Catherine_Deneuve
actors:Isabelle_Huppert
actors:Virginie_Ledoyen
actors:Firmine_Richard
actors:Ludivine_Sagnier
25. !
Il Semantic Web in pillole
• OWA – Open World Assumption
– Nuove informazioni possono diventare disponibili in qualsiasi momento
• AAA – Anybody (in the web) can say Anything about Any topic
– Mai assumere che l’informazione che si ha a disposizione sia completa
• Nonunique naming assumption
– La stessa cosa può essere riferita in modi diversi
http://dbpedia.org/resource/Nine_Inch_Nails owl:sameAs http://rdf.freebase.com/ns/m.0jg77
26. !
Il Semantic Web in pillole
• Modello deduttivo: Inferenze
– I predicati nelle Ontologie mi permettono di dedurre nuova conoscenza
– Vediamo un esempio…
27. !
Il Semantic Web in pillole
• Modello deduttivo: Inferenze
– I predicati nelle Ontologie mi permettono di dedurre nuova conoscenza
– Vediamo un esempio…
famiglia:Madre a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Female
famiglia:Figlio a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Male
famiglia:figliodi rdfs:range famiglia:Madre
rdfs:domain famiglia:Figlio
famiglia:hafiglio owl:inverseOf
famiglia:figliodi
Ontologia
di
partenza
28. !
• Modello deduttivo: Inferenze
– I predicati nelle Ontologie mi permettono di dedurre nuova conoscenza
– Vediamo un esempio…
Il Semantic Web in pillole
dex:Marzia famiglia:hafiglio dex:Jacopofamiglia:Madre a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Female
famiglia:Figlio a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Male
famiglia:figliodi rdfs:range famiglia:Madre
rdfs:domain famiglia:Figlio
famiglia:hafiglio owl:inverseOf
famiglia:figliodi
Tripla
RDF
creata
29. !
• Modello deduttivo: Inferenze
– I predicati nelle Ontologie mi permettono di dedurre nuova conoscenza
– Vediamo un esempio…
Il Semantic Web in pillole
dex:Marzia famiglia:hafiglio dex:Jacopo
dex:Jacopo famiglia:figliodi dex:Marzia
dex:Jacopo a famiglia:Figlio
a foaf:Person
a person:Male
dex:Marzia a famiglia:Madre
a foaf:Person
a person:Female
famiglia:Madre a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Female
famiglia:Figlio a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Male
famiglia:figliodi rdfs:range famiglia:Madre
rdfs:domain famiglia:Figlio
famiglia:hafiglio owl:inverseOf
famiglia:figliodi
Triple
dedo"e
in
automa?co
mediante
inferenza
sul
modello
dell’ontologia
30. !
Il Semantic Web in pillole
dex:Marzia famiglia:hafiglio dex:Jacopo
dex:Jacopo famiglia:figliodi dex:Marzia
dex:Jacopo a famiglia:Figlio
a foaf:Person
a person:Male
dex:Marzia a famiglia:Madre
a foaf:Person
a person:Female
• Possibilità anche di definire restrizioni…
• Predicati specifici del linguaggio OWL
• Effetto: errore logico nel modello
• Modello deduttivo: Inferenze
– I predicati nelle Ontologie mi permettono di dedurre nuova conoscenza
– Vediamo un esempio…
famiglia:Madre a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Female
famiglia:Figlio a rdfs:Class
rdfs:subClassOf foaf:Person
rdfs:subClassOf
person:Male
famiglia:figliodi rdfs:range famiglia:Madre
rdfs:domain famiglia:Figlio
famiglia:hafiglio owl:inverseOf
famiglia:figliodi
31. !
Cosa il Semantic Web NON è
• Interpretazione del linguaggio naturale!
– Anche se insieme fanno scintille…
• Intelligenza Artificiale
– Anche se sono stretti parenti
– …e l’intelligenza artificiale può sfruttare la “conoscenza del mondo” del
Semantic Web
32. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentemente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
33. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentemente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
34. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentemente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
35. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentemente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
36. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentemente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
• Utilizzo "apparentemente" scarso?
– Sulle oltre 54.000 banche dati della PA italiana nemmeno una è
dichiaratamente basata su tecnologie semantiche
37. !
Il Semantic Web ha fallito?
• Dopo 15 anni il Semantic Web è ancora una tecnologia di nicchia?
– Sicuramente non è “mainstream”
– “Apparentmente” confinata in ambito accademico
• Molte e rumorose sono le voci critiche nei suoi riguardi
• Utilizzo "apparentemente" scarso?
– Sulle oltre 54.000 banche dati della PA italiana nemmeno una è
dichiaratamente basata su tecnologie semantiche
38. !
Ripassiamo i concetti base del semantic web…
• Un web di dati e non di documenti
• Un web di dati “machine readable”
• Una rete di dati (un grafo), distribuita a livello globale
• OWA & AAA
• Nonunique naming assumption
• “Agenti software” in grado di compiere azioni automatiche al nostro
posto
41. !
Lo stato dell'arte del Semantic Web
• La visione si è quindi avverata in qualche modo ma in forme diverse!!!
• “Going forward in a serendipitous way!”
– Dex
• “A little semantics goes a long way!”
– Jim Hendler
• “Semantics first”
– Dex
– Pensiamo prima alla Semantica, poi casomai al Semantic Web
42. !
Lo stato dell'arte del Semantic Web
• “A little semantics goes a long way!”
RDFa
Jim Hendler - “Why the Semantic Web will Never Work” (note the quote marks!)
43. !
“Semantics first”
• Casi di successo della Semantica (e del Semantic Web) al giorno
d’oggi
– Search Engine Optimization (SEO)
– Linked Data
– Semantic Search
– Facebook Open Graph Protocol
– Named Entity Recognition
• Teniamo sempre a mente che… “a little semantics goes a long way”!
44. !
Search Engine Optimization
• SEO
– Descrivere le pagine web in modo formale affinché i motori di ricerca
riescano a indicizzarle meglio
• Permettono di far trovare meglio i nostri contenuti
• Limiti intriseci legati all’ambiguità del linguaggio naturale
45. !
Search Engine Optimization
• SEO
– Descrivere le pagine web in modo formale affinché i motori di ricerca
riescano a indicizzarle meglio
• Permettono di far trovare meglio i nostri contenuti
• Limiti intriseci legati all’ambiguità del linguaggio naturale
Rock:
musica
o
geologia?
46. !
Search Engine Optimization
• SEO
– Descrivere le pagine web in modo formale affinché i motori di ricerca
riescano a indicizzarle meglio
• Permettono di far trovare meglio i nostri contenuti
• Limiti intriseci legati all’ambiguità del linguaggio naturale
Quale
“Luca
De
San?s”?
47. !
SEO & Schema.org
• Schema.org: un vocabolario omnidescrittivo per aumentare l’efficacia
del SEO
• Inaugurato da Google, Bing e Yahoo nel 2011
• Dati strutturati nelle pagine HTML
• Web of Data! Un “agente” (crawler) che recupera dati “machine readable” dal
web. Suona familiare, no???
• Dove non poté la scienza poté il Capitale…
– Cyc, OpenCyc, UMBEL: progetti con l’obiettivo di “descrivere il mondo”, di
essere vocabolari universali. La loro diffusione è rimasta estremamente
limitata. Schema.org ha avuto invece un successo immediato!
• Un vocabolario molto efficace
– In continua espansione
49. !
SEO & Schema.org: l'effetto
• Migliore posizionamento nei
risultati di ricerca
• Presentazione di un’anteprima
automatica (rich snippet) del
contenuto direttamente nella
pagina dei risultati della ricerca
52. !
Linked Data
• Usare RDF per legare, in modo semanticamente espressivo, dataset
pubblicati su web
• Quattro principi base
1. Use URIs as names for things
2. Use HTTP URIs so that people can look up those names
3. When someone looks up a URI, provide useful information, using the
standards (RDF, SPARQL)
4. Include links to other URIs, so that they can discover more things
• Dataset navigabili da agenti software
• Linked Data ≠ Open Data
53. !
Linked Data
• Rendere disponibili “dati grezzi”
“…the simple message to governments
around the world must be consistent
and forceful: raw data, now!
Opening up data is fundamentally about
more efficient use of resources and
improving service delivery for citizens.
The effects of that are far reaching:
innovation, transparency,
accountability, better governance and
economic growth”.
“Raw Data Now!” - Tim Berners-Lee
2012
54. !
Linked Data
• I dati grezzi come volano
dell’economia
“…In the digital age, data takes on a whole
new value, and with new technology
we can do great things with it. Opening
it up is not just good for transparency,
it also stimulates great web content,
and provides the fuel for a future
economy.
That's why I say that data is the new oil
for the digital age. How many other
ways could stimulate a market worth
70 billion euros a year, without
spending big budgets? Not many, I'd
say.”.
“Data is the new oil” – Neelie Kroes 2012
64. !
Facebook Open Graph Protocol
• Lo scopo: permettere di estendere il bottone “Like” di Facebook al di
fuori del Social Network
– Tutti vogliono comparire “bene” su Facebook…
Meglio così… …o così?
69. !
Facebook Open Graph Protocol
• Dove non poté la scienza poté il Capitale… parte 2
• Perché Facebook lo ha voluto?
– Facebook *sa* in questo modo cosa ti piace anche al di fuori dei suoi confini!
– Knowledge is power…
70. !
Facebook Open Graph Protocol
• Dove non poté la scienza poté il Capitale… parte 2
• Perché Facebook lo ha voluto?
– Facebook *sa* in questo modo cosa ti piace anche al di fuori dei suoi confini!
– Knowledge is power…
Vestforsk.no – Semantic Markup Report (Dec. 2011)
71. !
Named Entity Recognition (NER)
• Estrazione automatica di conoscenza da un testo attraverso
l’identificazione dei concetti contenuti in esso!
• Dall’analisi delle relazioni tra i termini di un testo si riescono a
identificare i concetti in modo preciso e non ambiguo.!
– Si associa la corretta semantica ai termini del testo!
• Concetti e non “parole chiave”: passaggio di gestione da “bag of
words” ad un “graph of topics”!
– Bag of words: parole gestite in modo slegato e indipendente tra loro.!
• Es. un motore di ricerca full-text (Apache Solr) indicizza le stringhe senza
discernere il loro significato!
– Graph of topics: concetti in relazione tra loro in funzione del loro
significato (approccio semantico)!
72. !
Named Entity Recognition and Annotation
• Identificare i concetti vuol dire:!
– Riconoscerli anche se sono scritti in forma alternativa o parziale!
– Risolvere omonimie o polisemie. Es. “Industrial revolution”? Si parla di
storia o di musica industriale?!
• Annotazione: i frammenti di testo associati ai concetti vengono
riconosciuti e “linkati” automaticamente alle loro rappresentazioni in
dataset pubblici (es. Wikipedia).!
73. !
Servizi di NER
• AlchemyAPI: recentemente acquistata da IBM
• OpenCalais, un’azienda del gruppo Reuters
• Semantria
• TextAlytics
• Zemanta
• Machine Linking
• DBPedia Spotlight, servizio gratuito nato da un’iniziativa di ricerca
dell’Università di Berlino
e…
• DataTXT!
74. !
DataTXT
• Servizio commerciale di Named Entity Recognition dell’azienda
SpazioDati
• Sviluppato in parte anche in collaborazione con Net7 nell’ambito del
progetto di ricerca SenTaClAus (cfr. http://sentaclaus.netseven.it)
• Uso di vocabolari controllati per riconoscere i concetti e le relazioni tra
di essi
– Uso di Wikipedia come vocabolario controllato
– Ogni pagina di Wikipedia è un concetto: tramite i link fra le sue pagine
identifico le relazioni tra i termini di un testo
• Classificazione semantica (“a little semantics…”) delle entità in 6 classi
– Person, Organization, Work, Place, Event, Concept
• Info: https://dandelion.eu/products/datatxt/
76. !
NER “sul campo”
• DataTXT utilizzato nel Social Proxy, lo strumento di Social Media
Analysis di Net7
– Info: http://www.netseven.it/servizi/social-media-analysis/
• Identificazione dei concetti rilevanti nelle “conversazioni sociali”
• Disambiguazione degli hashtag usati dagli utenti, mettendoli in
relazione con i concetti che compaiono negli stessi post
• Qualche esempio del servizio di “Trend Analysis” del Social Proxy
applicato ai tweet del CTL @laboratorio_CTL…
81. !
Limiti nell'uso del Semantic Web
• La tecnologia open source non è completamente matura
– … o comunque non ha un grado di maturità paragonabile a quello di altre
tecnologie ”aperte” (es. DB relazionali open source)
• Non esistono framework di sviluppo completi e facili da usare
– Es. un Drupal del Semantic Web
• Il modello dei dati a grafo non è “immediato” da comprendere come
quello tabellare
– … siamo troppo abituati a lavorare in Excel…
• Ha poco senso se i dati su cui si opera sono piatti o se non hanno
legami forti e articolati tra loro
82. !
Dove ha quindi senso applicare il Semantic
Web?
• Rappresentazioni della conoscenza!
– Non necessariamente da usare in servizi “on line”; creazione di basi di
conoscenza “in divenire”
• Dove i dati sono naturalmente strutturati come grafi
– Relazioni tra persone, concetti e oggetti
• Per estrarre informazioni strutturate da dati non strutturati (testo!)
• Per riconciliare informazioni gestite e contenute in repository diversi
• Per una migliore gestione, storicizzazione e riuso di dati grezzi
– Es. dati sperimentali. Cfr. "Open access to research data”, indicazioni della
Commissione Europea nei progetti H2020
83. !
Semantic Web @ Net7: Pundit
• Libreria client per
annotare
semanticamente
documenti web
• Le annotazioni sui
documenti sono
memorizzate
come grafi RDF
• Info: http://
thepund.it/
84. !
Semantic Web @ Net7: Pundit
• Libreria client per
annotare
semanticamente
documenti web
• Le annotazioni sui
documenti sono
memorizzate
come grafi RDF
• Info: http://
thepund.it/
Esempio di pagina web annotata con Pundit
86. !
Semantic Web @ Net7: StoM - PunditBrain
• Creare un servizio
omnicomprensivo per la gestione
delle annotazioni (semantiche) su
web
• Lavoro in corso nell’ambito del
progetto di ricerca europeo StoM
www.stom-project-eu
#stom_eu
87. !
PunditBrain: Requisiti principali del servizio#
• Gestire l’annotazione di documenti web
– Enfasi sull’usabilità
– Disponibilità di vocabolari già pronti da
usare nelle annotazioni
– Supporto per l’annotazione di immagini e
video (anche PDF ed e-pubs a tendere)
• Annotazioni raccolte in “notebooks”
– Supporto alla ricerca semantica, filtri a
faccette
• Enfasi sul riuso dei dati
– Export, condivisione con altri utenti
• Pubblicazione dei dati
– Ad esempio attraverso visualizzazioni già
pronte
• Servizi di Recommendation
– “Chi lavora su cose simili alle mie?”
88. !
Il Semantic Web @ Net7: quesiti
• Siamo consci di usare bene il Semantic Web?
• Margini di miglioramento…
– Mai fatto un uso estensivo delle inferenze
– I repository non sono sempre ben collegati
• I dati senza link perdono di valore
• Punti di attenzione
– Trovare strategie e best practices per gestire un ottimale riuso dei dati
– Trovare strumenti per ottenere significative visualizzazioni di dati a grafo
– Piattaforma tecnologica non ancora consolidata (es. scelta di triple store di
riferimento)
89. !
Prossimi passi e una prospettiva per il futuro
• @netseven_it & @laboratorio_CTL
– Lavorare per superare i limiti di cui sopra
– Applicare la “semantica” prima ancora del Semantic Web
• Aprire e collegare meglio i repository delle nostre annotazioni semantiche, tra di
loro e con l’esterno
• Sfruttare a pieno il SEO
– Vedere il sito anche come un repository di dati e non solo di contenuti
• Uno spunto: la "semantica" nel futuro sarà sempre di più disponibile
attraverso servizi web specializzati
– Es. DataTXT, servizi cloud di machine learning
– Usare solo quel minimo di “intelligenza” che serve per i propri scopi
90. !
Riferimenti
Bibliografia
• Tim Berners-Lee, James Hendler and Ora Lassila: The
Semantic Web, Scientific American May 2001
• Dean Allemang, James Hendler: Semantic Web for the
Working Ontologist 2nd Edition, Morgan Kaufmann,
2011
• James Hendler: The Semantic Web: It’s for real http://
www.slideshare.net/jahendler/semantic-web-what-it-is-
and-why-you-should-care
• Dominiek ter Heide: Three reasons why the Semantic
Web has failed https://gigaom.com/2013/11/03/three-
reasons-why-the-semantic-web-has-failed/
• Seth Grimes: Semantic Web Business: Going Nowhere
Slowly http://www.informationweek.com/software/
information-management/semantic-web-business-
going-nowhere-slowly/d/d-id/1113323
• Clay Shirky: Ontology is Overrated: Categories, Links,
and Tags http://www.shirky.com/writings/
ontology_overrated.html
• Michela Finizio: Il miraggio dell’anagrafe unica: più di
54mila banche dati gestite dalla Pa http://
www.infodata.ilsole24ore.com/2015/03/11/il-miraggio-
dellanagrafe-unica-piu-di-54mila-banche-dati-gestite-
dalla-pa/
• James Hendler: “Why the Semantic Web will Never
Work” (note the quote marks!) http://www.slideshare.net/
jahendler/why-the-semantic-web-will-never-work
• James Hendler: Semantic Web: The Inside Story http://
www.slideshare.net/jahendler/semantic-web-the-inside-
story
• James Hendler: The Dark Side of the Semantic Web,
IEEE Intelligent Systems, Jan/Feb 2007
• Tim Berners-Lee: Raw data, now http://
www.wired.co.uk/news/archive/2012-11/09/raw-data
• Neelie Kroes: Digital Agenda and Open Data http://
europa.eu/rapid/press-release_SPEECH-12-149_en.htm
• Google: Introducing the Knowledge Graph https://
www.youtube.com/watch?v=mmQl6VGvX-c
• Kevan Lee: What Really Happens When Someone Clicks
Your Facebook Like Button https://blog.bufferapp.com/
facebook-like-button
• Vestforsk.no: Semantic Markup Report http://
www.vestforsk.no/filearchive/
semantic_markup_report.pdf
• European Commission: Guidelines on Open Access to
Scientific Publications and Research Data in Horizon
2020 http://ec.europa.eu/research/participants/data/ref/
h2020/grants_manual/hi/oa_pilot/h2020-hi-oa-pilot-
guide_en.pdf