Informationsvisualisierung Im Semantic Web1

Informationsvisualisierung und
Navigation im Semantic Web:
Eine Analyse bestehender
Visualisierungstechniken im Hinblick
auf Eignung fur das Semantic Web
¨

Michael Aufreiter

BACHELORARBEIT

05/1/0307/043

eingereicht am
Fachhochschul-Bachelorstudiengang

Software Engineering

in Hagenberg

im Juli 2008

Diese Arbeit entstand im Rahmen des Gegenstands

Data Engineering

im

Sommersemester 2008

Betreuer:

Josef Altmann, Mag. Dr.

ii

Inhaltsverzeichnis

Kurzfassung vi

Abstract vii

1 Einleitung 1
1.1 Ausgangssituation . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Fragestellung . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Ziel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Vorgehensweise . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Grundlagen 4
2.1 Wissensmanagement . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Implizites und explizites Wissen . . . . . . . . . . . . . . . . . 4
2.3 Das Modell nach Nonaka/Takeuchi . . . . . . . . . . . . . . . 5
2.4 Semantic Web . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.5 Taxonomien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.6 Ontologien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.7 Repr¨sentation von semantischen Daten
a . . . . . . . . . . . . 6
2.7.1 RDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.7.2 RDF-Schema (RDFS) . . . . . . . . . . . . . . . . . . 8
2.7.3 Web Ontology Language (OWL) . . . . . . . . . . . . 8
2.7.4 Alternative Darstellungsformen . . . . . . . . . . . . . 9
2.8 Abfragen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.8.1 Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.8.2 SPARQL . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.9 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Informationsvisualisierung 12
3.1 Einf¨ hrung . . . . . . . .
u . . . . . . . . . . . . . . . . . . . . 12
3.2 Ontology Visualization . . . . . . . . . . . . . . . . . . . . . . 13
3.3 Cluster Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.4 Tree Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.5 Textual Interfaces . . . . . . . . . . . . . . . . . . . . . . . . 15

iii

INHALTSVERZEICHNIS iv

3.5.1 Faceted Navigation . . . . . . . . . . . . . . . . . . . . 16
3.5.2 Faceted Browser . . . . . . . . . . . . . . . . . . . . . 16
3.6 Graphs and Trees . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.6.1 Hyperbolic Trees . . . . . . . . . . . . . . . . . . . . . 18
3.6.2 3D-Graphs . . . . . . . . . . . . . . . . . . . . . . . . 19
3.6.3 Node-Link Diagrams . . . . . . . . . . . . . . . . . . . 20

4 Kriterienkatalog 23
4.1 Typologie nach Shneiderman . . . . . . . . . . . . . . . . . . 23
4.2 Usability der visuellen Repr¨sentation . . . . . . . . . . . .
a . 23
4.2.1 Datentyp (data type) . . . . . . . . . . . . . . . . . . 24
4.2.2 Aussagekraft (expressiveness) . . . . . . . . . . . . . . 25
4.2.3 Effektivit¨t (effectiveness) . . . . . . . . . . . . . . .
a . 25
4.2.4 Kognitive Komplexit¨t (cognitive complexity) . . . .
a . 26
4.2.5 Rümliche Organisation (spatial organization) . . .
a . 27
4.2.6 Informationscodierung (information coding) . . . . . . 27
4.2.7 Beziehungen (relations) . . . . . . . . . . . . . . . . . 28
¨
4.2.8 Ubergang (state transition) . . . . . . . . . . . . . . . 28
4.3 Interface Usability . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.1 Orientierung und Hilfe (orientation and help) . . . . . 29
4.3.2 Navigation und Abfragen (navigation and querying) . 30
4.3.3 Reduktion des Datenbestands (data set reduction) . . 30
4.3.4 Datenerkundung (data exploration) . . . . . . . . . . 31
4.4 Vorgehensweise bei der Bewertung . . . . . . . . . . . . . . . 32
4.4.1 Gewichtung der Kriterien . . . . . . . . . . . . . . . . 32
4.4.2 Bewertungsskala . . . . . . . . . . . . . . . . . . . . . 33

5 Bewertung ausgew¨hlter Werkzeuge
a 35
5.1 Aduna AutoFocus . . . . . . . . . . . . . . . . . . . . . . . . 35
5.1.1 Bewertung . . . . . . . . . . . . . . . . . . . . . . . . 36
5.1.2 Bewertungstabelle . . . . . . . . . . . . . . . . . . . . 39
5.1.3 Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2 Longwell RDF Browser . . . . . . . . . . . . . . . . . . . . . 40
5.2.1 Bewertung . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2.2 Bewertungstabelle . . . . . . . . . . . . . . . . . . . . 44
5.2.3 Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

6 Schlussbetrachtung 46
6.1 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

INHALTSVERZEICHNIS v

Literaturverzeichnis 48

Abbildungsverzeichnis 50

Kurzfassung

Der Anreiz und das Potential von Informationsvisualisierungen wird bereits
hüfig erkannt und der Wunsch nach deren Anwendung immer st¨rker. Ge-
a a
rade im Bereich des Wissensmanagements spielt dieses Gebiet eine immer
wichtigere Rolle.
Diese Arbeit besch¨ftigt sich mit Informationsvisualisierung im Seman-
a
¨
tic Web und vermittelt einen Uberblick uber aktuelle Entwicklungen zum
¨
Thema Knowledge Visualization.
Zun¨chst werden grundlegende Konzepte der Informationsvisualisierung
a
vorgestellt und deren Bedeutung in Hinblick auf das Wissensmanagement
erkl¨rt. Aus den Anforderungen, die das Semantic Web an die Informati-
a
onsvisualisierungen stellt, lassen sich Kriterien ableiten, die zur Beurteilung
von Visualisierungstechniken herangezogen werden k¨nnen. Die ausgew¨hl-
o a
ten Kriterien werden im Rahmen dieser Arbeit zu einem Kriterienkatalog
zusammengefasst.
Schließlich werden ausgew¨hlte Werkzeuge beschrieben, die im Wissens-
a
management bereits erfolgreich Anwendung finden. Die einzelnen Untersu-
chungsobjekte werden nach einer detailierten Beschreibung anhand der aus-
gew¨hlten Kriterien analysiert und bewertet. Dabei wird besonders auf deren
a
Anwendung im Kontext des Semantic Web eingegangen.

vi

Abstract

Both, the attraction and the potential of information visualization have been
widely recognized and its use is requested frequently. Especially in terms of
knowledge management, this topic plays a very signiﬁcant role.
This paper follows the topic of information visualization in the Seman-
tic Web and aims to give an overview of current developments regarding
knowledge visualization.
At ﬁrst, basic concepts of information visualization are described whereas
their relevance in context of knowledge management is shown.
The requirements concerning information visualization in the Semantic
Web lead to a set of criteria, which can be used for the evaluation of selected
tools. The chosen attributes are summarized to a catalogue of criteria to
ease the process of evaluation. Finally, selected tools, which are successfully
used within the knowledge management sector, are described, analyzed and
evaluated using the addressed set of criteria. Especially their applicability
in context of the Semantic Web is examined.

vii

Kapitel 1

Einleitung

1.1 Ausgangssituation
Das Semantic Web, welches derzeit vorwiegend Anwendung im Wissensma-
nagement findet, stellt eine neurartige Form der Datenrepr¨sentation dar.
a
Im Unterschied zu herk¨mmlichen Dokumenten, wie Hypertext oder ¨hn-
o a
lichen Formaten, die unstrukturiert als Text vorliegen, gibt Semantic Web
den publizierten Inhalten eine “Bedeutung”. Die vorliegenden Daten werden
mit Meta-Informationen angereichert und haben eine strukturierte Form,
die auch die Verarbeitung durch Maschinen erm¨glicht.
o
Es liegen bereits Standards und konkrete Formate zur Repr¨sentation se-
a
mantischer Daten vor. Ebenso stehen Werkzeuge zur Verf¨ gung, mit deren
u
Hilfe sich Informationen aus bereits vorliegenden Daten extrahieren lassen.
Mit Hilfe von Abfragesprachen lassen sich gezielt Information aus großen
Datenbest¨nden gewinnen. Die M¨glichkeiten einer herk¨mmlichen textba-
a o o
sierten Suchmaschine (Vgl. Google PageRank1 Algorithm) werden dabei bei
weitem ubertroffen.
¨
Der Grundstein aus technologischer Sicht ist also gelegt. Nun gilt es,
dem Endanwender Werkzeuge bereitzustellen, mit deren Hilfe sich seman-
tische Daten darstellen, navigieren und durchsuchen lassen. Nur so kann
das Semantic Web einer breiten Nutzerschicht zug¨nglich gemacht und die
a
Vision des Semantic Web zur Realit¨t werden.
a
Eine wichtige Rolle kommt hierbei der Informationsvisualisierung zu, de-
ren Aufgabe es ist, vorliegende Daten in ein grafisch aufbereitetes Format
zu transformieren. Informationsvisualisierung leistet damit einen wesentli-
chen Beitrag zur Verbesserung des Wissenstransfers und bildet das zentrale
Thema dieser Arbeit.
1
http://www.google.com/technology/

1

KAPITEL 1. EINLEITUNG 2

1.2 Problemstellung
Die Anforderungen des Semantic Web stellen das Gebiet der Informations-
visualisierung vor eine neue Herausforderung. Es gilt einerseits bestehende
Visualisierungstechniken zu analysieren und deren Potential f¨ r die erfolgrei-
u
che Anwendung im Semantic Web zu pr¨ fen, andererseits neue L¨sungen zu
u o
entwickeln, welche den speziellen Anforderungen des Semantic Web gerecht
werden.
Zur Beurteilung der Qualit¨t einzelner Visualisierungstechniken m¨ ssen
a u
Kriterien gefunden werden, anhand derer eine objektive Beurteilung erfolgen
kann.

1.3 Fragestellung
Die Arbeit setzt sich unter anderem mit der Frage auseinander, in wie weit
bestehende Visualisierungstechniken unter dem Kontext des Semantic Web
eingesetzt werden k¨nnen und auf welche Aspekte dabei besonderes Augen-
o
merk gelegt werden muss.
Semantische Daten haben wenige Einschr¨nkungen im Hinblick auf die
a
Typisierung, um gr¨ßtm¨gliche Flexibilit¨t zu gew¨hrleisten. Visualisierungs-
o o a a
techniken sollten demnach einen generischen Ansatz verfolgen und auch
dann funktionieren, wenn nur Teile der zu Grunde liegenden Datenstruktur
bekannt sind. Weiters soll der Benutzer die M¨glichkeit haben, auch dieses
o
unbekannte Terrain mit einzubeziehen. Diese Eigenschaft stellt besondere
Anfordungen an Usability und Navigierbarkeit von Visualisierungstechni-
ken.
Im Rahmen dieser Arbeit soll zudem die Frage gekl¨rt werden, welche be-
a
stehenden Bewertungskriterien, die zur Bewertung von Visualisierungstech-
niken herangezogen werden, im Kontext des Semantic Web von Bedeutung
sind.

1.4 Ziel
Ziel dieser Arbeit ist es, bestehende Vorgehensweisen und Werkzeuge ge-
gen¨ ber zu stellen und hinsichtlich ihrer Qualit¨t zu untersuchen. Diese
u a
Techniken werden anschließend exemplarisch pr¨sentiert und anhand zuvor
a
festgelegter Kriterien bewertet. Die Erarbeitung dieser Kriterien stellt dabei
ein weiteres implizites Ziel dar. Personen, die mit der Visualisierung von se-
mantischen Inhalten betraut sind, erhalten ein Hilfsmittel, welches sie dabei
unterst¨ tzt, aus den bestehenden M¨glichkeiten zur Informationsvisualisie-
u o
rung die geeignete Methode als Grundlage f¨ r ihr Projekt auszuw¨hlen.
u a

KAPITEL 1. EINLEITUNG 3

1.5 Vorgehensweise
Zun¨chst wird im Rahmen des Grundlagenkapitels auf Basiskonzepte zum
a
Thema Semantic Web eingegangen. Darauf aufbauend werden Konzepte der
Informationsvisualisierung vorgestellt und erkl¨rt, wobei jeweils auf die Be-
a
sonderheiten, welche bei der Anwendung auf semantische Daten zu ber¨ ck- u
sichtigen sind, eingegangen wird.
Durch die Analyse der Anforderungen, die das Semantic Web an die
Visualisierungstechniken stellt, sowie durch Zuhilfenahme von bestehenden
Kriterienkatalogen aus der Literatur des Bereichs der Informationsvisualisie-
rung wird ein Kriterienkatalog erarbeitet, der anschließend als Bewertungs-
grundlage dient.
Abschließend werden ausgew¨hlte Visualisierungswerkzeuge vorgestellt
a
und anhand der erarbeiteten Kriterien bewertet. Das Ergebnis ist ein Leit-
faden f¨ r die erfolgreiche Anwendung des Kriterienkatalogs zur Bewertung
u
von konkreten Visualisierungswerkzeugen.

Kapitel 2

Grundlagen

2.1 Wissensmanagement
Im heutigen Informationszeitalter wird Wissen bereits als vierter Produkti-
onsfaktor (neben Kapital, Arbeit und Boden) gesehen (Vgl. Kleske [9, p.6]).
F¨ r Unternehmen ist es besonders wichtig, Wissen zu ihrem Vorteil ein-
u
zusetzen, um in einer Informations- und Wissensgesellschaft bestehen zu
k¨nnen. Unternehmen werden mit einer immer gr¨ßer werdenden Informati-
o o
onsﬂut konfrontiert und stehen vor der Aufgabe Wissen zu strukturieren, zu
speichern und m¨glichst einfach zug¨nglich zu machen. Das Wissensmana-
o a
gement besch¨ftigt sich mit genau diesen Aufgaben und umfasst Praktiken,
a
die den Umgang mit Wissen im Unternehmen vereinfachen. Einen wichtigen
Beitrag dazu leisten Informationssysteme, die Mitarbeiter miteinander ver-
netzen und ihnen die Bereitstellung und den Austausch von Informationen
erm¨glichen.
o

2.2 Implizites und explizites Wissen
Als implizites oder stilles Wissen (tacit knowledge) wird jenes Wissen be-
zeichnet, das nicht in formalisierter Form vorliegt. Damit umfasst es jene
Kenntnisse und F¨higkeiten von Menschen, welche in deren K¨pfen existie-
a o
ren, jedoch nicht f¨ r andere zug¨nglich sind. Implizites Wissen schließt dabei
u a
sowohl Verhalten als auch Kultur mit ein, welche meist nicht bewusst wahr-
genommen werden. Der Begriﬀ “tacit knowledge” ist von Michael Polanyi
gepr¨gt, der in seinem Buch, The Tacit Dimension (1967) eine ber¨ hmte
a u
Aussage dazu machte:

“We know more than we can tell.”

4

KAPITEL 2. GRUNDLAGEN 5

Im Unterschied dazu bezeichnet explizites Wissen1 jene Kompetenzen, die
bereits eindeutig mittels Zeichen2 codiert und somit kommunizierbar sind.

2.3 Das Modell nach Nonaka/Takeuchi
Organisationen (wie Unternehmen) versuchen sowohl implizites, stilles Wis-
sen als auch festgeschriebenes, explizites Wissen nutzbar zu machen, um den
Mitarbeitern eine m¨glichst breite Wissensbasis (knowledge base) bereitzu-
o
stellen.

Die Japaner Ikujiro Nonaka und Hirotaka Takeuchi stellen mit ihrem SECI-
Modell (Socialization, Externalization, Combination, Internalization). ein
Modell zur Wissenserzeugung bereit. Dabei entsteht Wissen durch eine kon-
tinuierliche Transformation zwischen explizitem und implizitem Wissen.

Sozialisation ist die Transformation von implizitem zu implizitem Wis-
sen. Wissen wird hierbei schweigend weitergegeben, etwa wenn Menschen
Erfahrungen zusammen machen.

Externalisierung bezeichnet die Transformation von implizitem zu explizi-
tem Wissen. Dies passiert etwa, wenn Wissen dokumentiert, niedergeschrie-
ben oder in einer zentralen Wissensdatenbank gespeichert wird.

Kombination wird die Transformation von explizitem zu explizitem Wis-
sen genannt. Durch Kombination von explizitem Wissen kann neues Wissen
entstehen.

Internalisierung bezeichnet jene Transformation, in der explizites Wissen
wieder zu implizitem Wissen wird. Dadurch wird ein Lernprozess bezeich-
net, der die Anwendung von erlerntem Wissen (aus explizitem Wissen) in
der Praxis (implizites Wissen) umfasst.

2.4 Semantic Web
Die urspr¨ ngliche Idee des Semantic Web ist eine Erweiterung des beste-
u
henden World Wide Web (WWW) um Inhalte mit Bedeutung, sodass sie im
Unterschied zu herk¨mmlichen Textdokumenten auch von Computern inter-
o
pretiert und verarbeitet werden k¨nnen. Ziel dieser mit Semantik versehenen
o
Inhalte ist es, die Repr¨sentation von Wissen in einer stark strukturierten
a
Form zu gew¨hrleisten, um das Auﬃnden von Informationen in Zukunft zu
a
vereinfachen. Durch die starke Strukturierung der Inhalte wird es m¨glich,
o
1
bezeichnet ausdr¨ ckliches bzw. ausf¨ hrliches Wissen
u u
2
wie Sprache oder Schrift


exakt formulierte Abfragen an Stelle von stichwortbasierten Suchanfragen
zu verwenden.
Das Semantic Web beruht auf einer Idee von Tim Berners-Lee, die er
2001 in einem Artikel f¨ r das Scientific American Magazine ver¨ffentlichte
u o
[15]. Er beschreibt darin ein Szenario, in dem Compuer in naher Zukunft in
der Lage sind, komplexe Aufgaben f¨ r den Menschen zu l¨sen. Sogenannte
u o
Software Agenten k¨nnten beispielsweise v¨llig eigenst¨ndig ein nahegelege-
o o a
nes Restaurant ausfindig machen, das den zuvor festgelegten W¨ nschen des
u
Benutzers entspricht und abschließend eine Reservierung vornehmen.

2.5 Taxonomien
Taxonomien bezeichnen eine Form der Klassifikation, in der hierarchische
Strukturen abgebildet werden. Dabei wird eine betroffene Klasse immer ge-
nau einer Oberklasse zugeordnet und die gesamte Hierarchie auf eine Baum-
struktur abgebildet. Je tiefer man sich in der Hierarchieebene bewegt, desto
spezieller wird die hinterlegte Information.

2.6 Ontologien
In der Informatik und Informationswissenschaft bezeichnen Ontologien ein
Datenmodell, das sowohl Begriffe innerhalb eines Wissensbereichs, als auch
deren Beziehungen zueinander abbildet. Dabei werden Klassen zur Typisie-
rung von Objekten und Attribute zur Beschreibung von Objekten verwendet.
Ontologien werden verwendet um Wissendom¨nen zu beschreiben und die
a
Bedeutung der unterschiedlichen Objektklassen, sowie deren Beziehungen
zueinander festzulegen. Ontologien sind ebenso wie Taxonomien Klassifizie-
rungssysteme, die jedoch nicht die Einschr¨nkungen einer starren hierarchi-
a
schen Struktur aufweisen. Die einzelnen Objektklassen k¨nnen zueinander
o
in beliebiger Relation stehen und werden als Graph repr¨sentiert.
a

2.7 Repr¨sentation von semantischen Daten
a
Das Semantic Web wird durch formale Spezifikationen beschrieben, die vom
W3C3 ver¨ffentlicht werden. Die Grundlage bildet dabei das Resource Des-
o
cription Framework (RDF), das ein universelles Datenmodell zur Beschrei-
bung von Metadaten im World Wide Web bereitstellt. Es existieren verschie-
dene Notationen, die entweder auf RDF basieren, als Datenaustauschformat
dienen, oder einen alternativen Ansatz verfolgen.
Im Rahmen des folgenden Abschnitts werden grundlegende Formate zur
Repr¨sentierung von semantischen Daten vorgestellt und deren Unterschiede
a
3
World Wide Web Consortium - http://www.w3.org


kurz erl¨utert, um einen grunds¨tzlichen Einblick in die Modellierung von
a a
semantischem Datenmaterial zu gew¨hren.
a

2.7.1 RDF
RDF ist eine auf XML basierende Sprache zur Bereitstellung von Metadaten
im World Wide Web. Mit Hilfe von RDF k¨nnen semantische Netzwerke, die
o
als Graphen vorliegen, auf ein austauschbares Format abgebildet werden.
Dabei werden die Knoten und Kanten des Graphen durch URI’s4 oder Li-
terale (Zahlen, oder Zeichenfolgen) repr¨sentiert. Zur Darstellung von Aus-
a
sagen werden in RDF Subjekte mit Objekten durch Pr¨dikate verbunden.
a
Man spricht von sogenannten “Triples”, die den Kern der semantischen Da-
tenrepr¨sentation bilden.
a

www.cit.gu.edu.au/~db site-owner David Billington phone 3875 507

uses

Andrew Rock site-owner www.cit.gu.edu.au/~arock/defeasible/Defeasible.cgi

Abbildung 2.1: Semantisches Netz ubernommen von Antoniou und Har-
¨
melen [7]

Zur Veranschaulichung zeigt Abbildung 2.1, entnommen aus Antoniou
und Harmelen 2004 [7], eine Graphenrepr¨sentation mehrerer Triples. Diese
a
Art der Graphendarstellung wird als semantisches Netz (semantic net) be-
zeichnet.

Der Graph aus Abbildung 2.1 beinhaltet folgende Triples:

[ http://www.cit.gu.edu.au/~db, http://www.mydomain.org/site-owner, "David Billington" ]
[ "David Billington", http://www.mydomain.org/phone, "3875 507" ]
[ "David Billington", http://www.mydomain.org/uses, http://www.cit.gu.edu.au/~arock/defeasible/Defeasible.cgi ]
[ "http://www.cit.gu.edu.au/~arock/defeasible/Defeasible.cgi", http://www.mydomain.org/site-owner, "Andrew Rock" ]

4
URI steht f¨ r Uniform Resource Identiﬁer und wird f¨ r die eindeutige Bezeichnung
u u
von Ressourcen verwendet


Eine einfache Modellierung dieses Graphen in RDF-Syntax w¨ rde folgen-
u
dermaßen aussehen:

<?xml version="1.0" encoding="UTF-16"?>
<rdf:RDF
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns:mydomain="http://www.mydomain.org/my-rdf-ns">

<rdf:Description rdf:about="http://www.cit.gu.edu.au/~db">
<mydomain:site-owner>
David Billington
</mydomain:site-owner>
</rdf:Description>

<rdf:Description rdf:about="David Billington">
<mydomain:uses>
www.cit.gu.edu.au/~arock/defeasible/Defeasible.cgi
</mydomain:uses>
<mydomain:phone>
3875 507
</mydomain:phone>
</rdf:Description>

<rdf:Description rdf:about="www.cit.gu.edu.au/~arock/defeasible/Defeasible.cgi">
<mydomain:site-owner>
Andrew Rock
</mydomain:site-owner>
</rdf:Description>
</rdf:RDF>

2.7.2 RDF-Schema (RDFS)
RDF-Schema5 (RDFS) ist wie RDF eine Empfehlung des W3C. W¨hrend a
RDF konkrete Ressourcen mit deren Attributen deﬁniert, legt RDF-Schema
das Vokabular f¨ r ein bestimmtes Wissensgebiet fest. RDFS dient also zur
u
Beschreibung von Ontologien und manifestiert den gemeinsamen Sprachge-
brauch, also die Syntax f¨ r RDF Dokumente.
u
In einem RDF-Schema Dokument werden Klassen festgelegt, welche ab-
strakte Objekte beschreiben, die anschließend bei der Erzeugung von Instan-
zen verwendet werden. RDFS bietet dabei verschiedene M¨glichkeiten zur
o
Beschreibung von Klassen, wie die Deﬁnition von Attributen, die Festlegung
von Beziehungen zwischen Klassen und Eigenschaften und die Einschr¨n- a
kung von Eigenschaften auf einen bestimmten Wertebereich. Mit diesen Mit-
teln lassen sich einfache Ontologien erstellen, die eine Dom¨ne ausreichend
a
beschreiben und einen gemeinsamen Sprachgebrauch festlegen, der von RDF
Dokumenten verwendet werden kann.

2.7.3 Web Ontology Language (OWL)
Die Aussagekraft von RDF und RDF Schema ist in vielen F¨llen nicht
a
ausreichend, um komplexe Wissensdom¨nen angemessen zu beschreiben.
a
RDF/RDFS ist ann¨hernd darauf beschr¨nkt, Hierarchien f¨ r Klassen und
a a u
Eigenschaften zu modellieren, was dazu f¨ hrte, dass mit OWL eine Beschrei-
u
bungssprache eingef¨ hrt wurde, die RDF/RDFS um weitere M¨glichkeiten
u o
5
http://www.w3.org/1999/02/22-rdf-syntax-ns


zur Modellierung von Ontologien erg¨nzt. OWL f¨ hrt dazu neue Sprachkon-
a u
strukte ein, die die Formulierung von Ausdr¨ cken ¨hnlich der Pr¨dikaten-
u a a
logik erm¨glichen. Diese Eigenschaften kommen dann bei dem in Abschnitt
o
2.8.1 beschriebenen Reasoning zum Einsatz.

2.7.4 Alternative Darstellungsformen
Neben der g¨ngigen XML Notation des Ressource Description Frameworks
a
existieren weitere Formate, die sich f¨ r die Darstellung und den Austausch
u
von RDF-Graphen eignen. Das W3C f¨ hrte beispielsweise das Notation 36
u
(oder N3) Format ein, das eine tabellarische Darstellung der zugrunde lie-
genden Triples verwendet.
Die Darstellung lehnt sich an N-Triples7 und Turtle8 an, ebenfalls zwei
alternative RDF Formate, und ist wesentlich kompakter und leichter lesbar
als die urspr¨ ngliche XML Notation. N3 ist ausserdem ein beliebtes Daten-
u
austauschformat, ob seiner geringeren Dateigr¨ße.
o
Weiters existieren verschiedene Techniken, die bei der Speicherung von
RDF-Modellen in Datenbanken zum Einsatz kommen. RDF Datenbanken,
wie beispielsweise Sesame9 , zielen darauf ab, eine eﬃziente Speicherung und
Abfrage von RDF-Graphen zu erm¨glichen und sind bei der Verwaltung
o
großer Datenmengen unabdingbar.

2.8 Abfragen
Um in einem Datenbestand, der als RDF-Graph vorliegt, Daten lokalisieren
zu k¨nnen, sind Abfragem¨glichkeiten und damit geeignete Abfragesprachen
o o
notwendig. G¨ngige Abfragesprachen f¨ r XML Dokumente wie XPath sind
a u
f¨ r diese Aufgabe jedoch ungeeignet, da diese nicht auf die speziellen Eigen-
u
schaften des RDF-Datenmodells eingehen. Mit SPARQL (siehe Abschnitt
2.8.2) wird in diesem Kapitel ein m¨chtiges Instrument f¨ r die Abfrage von
a u
RDF-Graphen vorgestellt. Damit das Semantic Web auch die oft angespro-
chene Intelligenz aufweist, werden Abfragen mit Hilfe von Reasoning Tech-
niken um Schlussfolgerungen erweitert.

2.8.1 Reasoning
Reasoning10 ist im Kontext des Semantic Web ein Mechanismus, der es Com-
putern erlaubt, Informationen durch den Einsatz von Logik zu verarbeiten.
Ziel dabei ist es, die Bedeutung von Dingen bez¨ glich einer Anwendung zu
u
6
http://www.w3.org/TeamSubmission/n3/
7
http://www.dajobe.org/2001/06/ntriples/
8
http://www.dajobe.org/2004/01/turtle/
9
http://www.openrdf.org/
10
zu Deutsch schließen oder schlussfolgern


nutzen. May 2006 [11, p. 485f] beschreibt Reasoning im Wesentlichen als
gesunden Menschenverstand, verstehen und nutzen der Bedeutung von Fak-
ten. Diese menschlichen F¨higkeiten sollen mit Hilfe der Technolgien des
a
Semantic Web auch in Computersystemen Einzug halten und den Benut-
zern von Wissensmanagementsystemen dabei helfen, Informationen leichter
zu lokalisieren. Es wird versucht, den Suchproblemen des herk¨mmlichen
o
World Wide Web, wie bedeutungs¨hnliche Worte (Synonyme) oder Worte
a
die verschiedene Bedeutungen haben (Homonyme), zu begegnen. Reasoning
arbeitet auf der Ebene von Abfragesprachen (genauer: auf deren Implemen-
tierungsebene). Die zugrundeliegenden Formalismen sind dadurch“verdeckt”
und f¨ r den Benutzer nicht sichtbar. Der Benutzer ist jedoch in der Lage,
u
die vom System getroffenen Schlussfolgerungen nachzuvollziehen.

2.8.2 SPARQL
SPARQL11 ist eine Abfragesprache f¨ r RDF-Modelle und steht f¨ r“SPARQL
u u
Protocol and RDF Query Language”. SPARQL ist eine Weiterentwicklung
von RQL12 (RDF Query Language), auf die im Rahmen dieser Arbeit nicht
n¨her eingegangen wird. Die Sprache wird von einem W3C Standard fest-
a
gelegt und liegt seit dem 15.1.2008 offiziell als Empfehlung vor. SPARQL
weist eine SQL-¨hnliche Syntax auf und kann auf alle Datenquellen, die auf
a
RDF abgebildet werden k¨nnen, angewendet werden.
o
Die Syntax basiert auf der Triple Darstellung von RDF. Durch die Ver-
wendung von Variablen und der Angabe von Eigenschaften und deren Bele-
gung k¨nnen Bedingungen formuliert werden, welche das Resultat einschr¨n-
o a
ken.

Das folgende Beispiel wurde von Danny Ayers, der einige Beispiele f¨ r SPARQL
u
Abfragen auf seiner Website13 bereitstellt, entliehen und zeigt den grund-
s¨tzlichen Aufbau von SPARQL Abfragen. Variablen werden dabei mit ei-
a
nem vorangestellten “?” gekennzeichnet, w¨hrend sich mit der Direktive
a
“PREFIX” Aliases f¨ r Namensrüme vergeben lassen, um eine kompakte
u a
Schreibweise der Abfrage zu erm¨glichen.
o
11
http://www.w3.org/TR/rdf-sparql-query/
12
http://139.91.183.30:9090/RDF/RQL/
13
http://hyperdata.org/


SPARQL Query

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX foaf: <http://xmlns.com/foaf/0.1/>

SELECT DISTINCT ?name
WHERE {
?x rdf:type foaf:Person .
?x foaf:name ?name
}

Das gezeigte Beispiel sucht innerhalb einer beliebigen SPARQL-Datenquelle
nach Elementen vom Typ foaf:Person und liefert als Ergebnis eine Liste von
Namen. Die SELECT-Bedingung identiﬁziert dabei die Variablen, welche
in den Ergebnissen erscheinen, w¨hrend die WHERE-Bedingung die Ergeb-
a
nisliste anhand von einfachen Mustern einschr¨nkt. Diese Einschr¨nkungen
a a
werden mit Hilfe von Triple-Mustern formuliert, wobei hier erneut Variablen
eine wichtige Rolle spielen.

Ergebnis

name
==================
Luther Blisset
Jane Lambda
Joe Hacker
Nik Jewell
Ben Blakeslee-Drain
Rowland Watkins
Dan Connolly
Stephen Downes
Edd Dumbill
Pete Wilson

Das Ergebnis ist eine Liste von Namen, die das Suchkriterium erf¨ llen.
u

2.9 Zusammenfassung
Im Rahmen dieses Kapitels wurden grundlegende Konzepte des Semantic
Web sowie deren Bedeutung f¨ r das Wissensmanagement behandelt. Die
u
vorgestellten Techniken und Standards bilden die Grundlage f¨ r die folgen-
u
den Kapitel, die sich mit der Informationsvisualisierung im Allgemeinen,
dem Finden von Kriterien zur Beurteilung von Visualierungstechniken und
der Bewertung konkreter Visualisierungswerkzeuge f¨ r das Semantic Web
u
besch¨ftigen.
a

Kapitel 3

Informationsvisualisierung

3.1 Einfuhrung
¨
Das Semantic Web bietet eine neuartige Form der Datenrepr¨sentation, die
a
es erm¨glicht, Inhalte und deren Bedeutung generisch abzubilden. Es stellt
o
ein universelles Framework von Ressourcen zur Verf¨ gung, welche von Ma-
u
schinen interpretiert werden k¨nnen.
o
Das folgende Kapitel besch¨ftigt sich mit Vorgehensweisen und Techni-
a
ken zur Visualisierung von semantisch annotierten Daten. Die besonderen
Eigenschaften dieser Datengrundlage stellen den Bereich der Informations-
visualisierung vor eine große Herausforderung: Die zur Verf¨ gung stehenden
u
Metainformationen, welche auf Ontologien basieren, k¨nnen sowohl das Er-
o
stellen einer graphischen Repr¨sentation erleichtern, als auch in die endg¨ l-
a u
tige Darstellung einﬂießen. Der Benutzer einer Visualisierung soll nicht mit
der Komplexit¨t der zugrunde liegenden Datenstruktur konfrontiert werden,
a
um sich voll auf seine Aufgaben konzentrieren zu k¨nnen. Neben der Erstel-
o
lung einer graphischen Darstellung ist die Bereitstellung einer intuitiv zu
bedienenden Benutzerschnittstelle entscheidend, um diese speziellen Anfor-
derungen erf¨ llen zu k¨nnen. Die Entwickler von Visualisierungstechniken
u o
sind dabei mit mehreren Problemstellungen konfrontiert.
RDF1 ist ein abstraktes und unstrukturiertes Datenmodell. Durch den
hohen Grad an Abstraktion fehlen meist die absoluten Visualisierungsin-
formationen. Zudem erschweren es fehlende Strukturinformationen, einen
visuellen Zusammenhang zu konstruieren. In vielen F¨llen hat der Benutzer
a
keine Kenntnis uber das zugrunde liegende Datenmodell und muss sich durch
¨
¨
eine kompakte Darstellung des gesamten Datenmaterials einen Uberblick
verschaﬀen. Die folgenden Methoden stammen aus verschiedenen Bereichen
der Informationsvisualisierung und sollen einen grunds¨tzlichen Einblick in
a
verschiedene Techniken zur Wissensvisualisierung im Semantic Web geben.
1
http://www.w3.org/RDF/

12

KAPITEL 3. INFORMATIONSVISUALISIERUNG 13

3.2 Ontology Visualization
Die Visualisierungskomponente wird f¨ r Semantic Web Werkzeuge immer
u
wichtiger. Fluit et. al [2] beschreiben einige Techniken, die sich mit Onto-
logy Visualization, also mit der Visualisierung von Ongologien besch¨ftigen.
a
Visualisierungen erweitern bereits Werkzeuge zur Extraktion von Ontologien
(OntoLift, Text-to-Onto) oder Ontologie-Editoren (Prot`g`).
e e
Diese Werkzeuge zielen auf das Visualisieren der Strukturinformationen
von Ontologien ab und stellen die Begriffe, sowie deren Beziehungen zu-
einander dar. Dabei sollen Ontology Visualization Tools Aufgaben wie die
Datenanalyse, den Datenvergleich und die Abfrage von Daten anhand der
zugrunde liegenden Ontologiestrukturen ubernehmen.
¨
Die folgenden Techniken und Beispiele sollen einen groben Einblick ge-
ben, wie auf Basis von Ontologien graphische Repr¨sentierungen erzeugt
a
werden k¨nnen.
o

3.3 Cluster Maps
Fluit et. al [2] beschreiben Cluster Maps als eine Visualisierungstechnik,
die Endanwendern erlaubt, mit komplexen semantischen Strukturen umzu-
gehen. Cluster Maps wurden vom Schweizer Hersteller Aduna2 entwickelt
und bieten eine einfache und benutzerfreundliche Darstellung von Informa-
tionen. Die Cluster Map Technik konzentriert sich auf die Visualisierung
von Instanzen und deren Klassifikationen basierend auf den Begriffen der
zugrunde liegenden Ontologie. Ontologien, auch Taxonomien genannt, fin-
den in verschieden Bereichen, beispielsweise in Bibliotheken, Anwendung
als Klassifizierungssysteme. Solche Klassifizierungssysteme werden bereits
vielfach in Webanwendungen oder Webverzeichnissen angewendet. Seman-
tic Web Standards wie RDF unterst¨ tzen diese Klassifizierung in Form von
u
Ontologien. Durch Spezialisierungsbeziehungen lassen sich Sammlungen von
Objekten als Hierarchien mit Unter- und Oberklassen abbilden. Sammlun-
gen von Unterklassen sind unvollst¨ndig, wenn ihre Vereinigung nicht alle
a
Objekte der Oberklasse enth¨lt. Klassen, die gemeinsame Objekte enthal-
a
ten, uberlappen sich. Der entscheidende Vorteil von Cluster Maps liegt in
¨
der Darstellung dieser Eigenschaften.
2
http://www.aduna-software.com


Abbildung 3.1: Beispiel einer Clustermap nach Fluit et. al [2]

Fluit et. al [2] beschreiben anhand eines Beispiels die Cluster Map Dar-
stellung. Das Beispiel in Abbildung 3.1 zeigt eine Sammlung von Jobange-
boten basierend auf einer einfachen Ontologie. Instanzen, also Jobangebote,
werden durch gelbe Kugeln dargestellt. Die einzelnen Klassen erscheinen als
abgerundete Rechtecke und beinhalten den Namen sowie deren Kardinali-
t¨t. Durch die hellgrauen Pfeile werden Vererbungshierarchien dargestellt.
a
Management ist demnach eine Unterklasse von Jobangebote. Instanzen wer-
den durch ballonf¨rmige Kanten mit ihrer zugeordneten Klasse der untersten
o
Hierarchieebene verbunden. Instanzen, die der selben Klasse angeh¨ren wer-
o
den zu Clustern zusammengefasst.

3.4 Tree Maps
Tree Maps verfolgen das Ziel der Visualisierung von Hierarchien, und stel-
len eine relevante Methode der Wissensvisualisierung im Semantic Web dar.
Shneiderman [13] beschreibt diese Technik Anfang der 90er Jahre erstmals
im Zusammenhang mit der Visualisierung der Kapazit¨tsausnutzung von
a
Dateisystemen. Die Darstellung erfolgt anhand eines Algorithmus, der Grup-
pen von Rechtecken, welche die zugrunde liegenden Daten repr¨sentieren,
a
auf einer Anzeigeﬂ¨che abh¨ngig von deren Relevanz anordnet. Da bei der
a a
Darstellung tiefer Hierarchien die Lesbarkeit der Darstellung leidet, wird zu-
nehmend eine Limitierung der dargestellten Hierarchietiefe vorgenommen,
¨
um die Ubersicht zu gew¨hrleisten.
a


Abbildung 3.2: Repr¨sentation einer Tree Map am Beispiel der Newsmap
a
Anwendung

Abbildung 3.2 zeigt Newsmap3 , eine Tree Map Darstellung, welche auf
den Daten von Google News basiert. F¨ r mehrere L¨nder werden jeweils Ka-
u a
tegorien (Sport, Business, National) mit Farben codiert. Die Artikel selbst
werden mit Rechtecken innerhalb der Kategorien dargestellt, wobei die Gr¨ße
o
der Rechtecke angibt, wieviele Artikel zu diesem Thema existieren. Bei dieser
¨
Darstellung wurde die Anzeige aus Gr¨ nden der Ubersicht auf zwei Hierar-
u
chieebenen (Land, Kategorie) limitiert.

3.5 Textual Interfaces
Ein textuelles Interface stellt die zugrunde liegenden Informationen in struk-
turierter Form als Text dar und verzichtet dabei zun¨chst auf eine graphische
a
Repr¨sentation. Le Grand und Soto [1] geben den Ontologie-Editor Prot´g´
a e e
(siehe Abschnitt 3.2) als Beispiel f¨ r ein textuelles Interface an.
u
Im Kontext des Semantic Web bieten Textual Interfaces in der Regel
Mechanismen zur Navigation und Suche in strukturierten Datenbest¨nden. a
Ihnen kommt eine große Bedeutung im Bereich der Informationsvisualisie-
rung zu, da ein textuelles Interface dem Großteil der Visualisierungswerk-
zeuge entweder als Basis, oder als unterst¨ tzendes Element, wie etwa zur
u
Festlegung von Filterkriterien, dient.
3
http://www.marumushi.com/apps/newsmap/


3.5.1 Faceted Navigation
Faceted Navigation beruht auf der Facettenklassifikation, einem Klassifikati-
onssystem, welches anstatt den Wissensbereich in eine starre Baumstruktur
einzugliedern, den Inhalt durch mehrere Gruppen (Facetten) klassifiziert.
Jede Gruppe enth¨lt dabei konkrete Einfachklassen nach denen die Elemente
a
des Wissensbereichs eingeteilt sind. Faceted Navigation erlaubt es nun dem
Benutzer mit Hilfe dieser Facetten einen individuellen Navigationspfad zu
erstellen. Der Benutzer wird durch den gesamten Wissensbereich gef¨ hrt in-
u
dem er Kenntnis uber die zur Verf¨ gung stehenden Kategorien (Facetten)
¨ u
hat, dabei aber selbst vorgibt, welchen Zugang er zuerst w¨hlt. Das derzeit
a
bekannteste Klassifizierungssystem dieser Art ist die Colon-Klassifikation
nach Ranganathan [12], die insbesondere auf die Kategorisierung von klei-
nen Artikeln (Zeitungen, Zeitschriften) ausgerichtet ist.

3.5.2 Faceted Browser
Ein Faceted Browser ist ein Werkzeug, welches Benutzern das Durchsuchen
von Informationen erm¨glicht. Faceted Browser verwenden das Konzept der
o
Faceted Navigation (siehe. Abschnitt 3.5.1), um den Benutzer durch den
zugrunde liegenden Wissensbereich zu f¨ hren. Im Semantic Web nehmen
u
Faceted Browser eine entscheidende Rolle ein. Semantisches Datenmaterial
enth¨lt in der Regel eine große Anzahl an typisierten Elementen, deren
a
Struktur durch Ontologien (siehe Abschnitt 2.6) festgelegt ist. Aus dieser
Struktur ergeben sich viele Facetten, die zur Navigation herangezogen wer-
den k¨nnen. Die effektivste Navigation dieser Art ist kontextabh¨ngig, dabei
o a
werden die zur Verf¨ gung stehenden Facetten, deren Auspr¨gungen und die
u a
Anzahl der Elemente je Auspr¨gung abh¨ngig von den aktuell selektierten
a a
Daten generiert. Hat der Benutzer beispielsweise bereits eine Vorselektion
vorgenommen, werden lediglich die Navigationelemente angezeigt, welche die
aktuell selektierten Daten betreffen. Durch eine weitere Selektion nach ei-
nem bestimmten Kriterium w¨ rde sich die Anzahl der Navigationselemente
u
erneut verringern.

Mit Longwell4 steht bereits ein leistungsstarker Faceted Browser zur Ver-
f¨ gung, der mit RDF Daten arbeitet.
u
Moritz Stefaner zeigt mit Elastic Lists5 eine weitere M¨glichkeit der Um-
o
setzung dieses Konzepts (siehe Abbildung 3.3). Das Beispiel demonstriert
die Funktionsweise anhand der Darstellung von Nobelpreisgewinnern, wel-
che aufgrund von unterschiedlichen Facetten gefiltert werden k¨nnen. Elastic
o
Lists verbessert dabei g¨ngige Faceted Browsing Konzepte durch die Visua-
a
lisierung von relativen Proportionen der Metadaten (Gewichtung). Dabei
4
http://simile.mit.edu/longwell/
5
http://well-formed-data.net/archives/54/elastic-lists


wird die Charakteristik der Gewichtung durch unterschiedliche Helligkeiten
dargestellt. Heller dargestellte Auspr¨gungen haben demnach eine h¨here
a o
Gewichtung. Im Beispiel sind dies jene Auspr¨gungen, die in den letzten
a
Jahren eine steigende Anzahl an Nobelpreistr¨gern aufweisen (abh¨ngig von
a a
der aktuellen Auswahl ver¨ndert sich auch die Darstellung der Gewichtung).
a
Ausserdem werden Auspr¨gungen, welche eine gr¨ßere Anzahl an Elementen
a o
beinhalten dementsprechend gr¨ßer dargestellt. Die Ver¨nderung der Aus-
o a
¨
wahl wird zudem mit animierten Uberg¨ngen visualisiert.
a

Abbildung 3.3: Elastic Lists Darstellung von Moritz Stefaner

3.6 Graphs and Trees
Eine graphische Repr¨sentierung in Form von Graphen und B¨umen liegt
a a
insofern nahe, da die interne Repr¨sentierung der Daten des Semantic Web
a
durch eine Graphenstruktur gegeben ist. W¨hrend die Transformation in
a
eine Graphen- oder Baumdarstellung bei kleineren Datenmengen durchaus
sinnvoll ist, wird es bei zunehmender Gr¨ße der Datenstruktur f¨ r den Be-
o u
¨
nutzer meist schwierig den Uberblick zu behalten und die dargestellten In-
formationen zu interpretieren.
Le Grand und Soto 2006 [1] sehen den Nutzen der Graphen- und Baum-
darstellung haupts¨chlich in der Repr¨sentierung der globalen Struktur von
a a
semantischen Graphen. Ausserdem geben sie an, dass sich B¨ume besser f¨ r
a u
das Verst¨ndnis von Menschen eignen, da sie eine hierarchische Struktur auf-
a


weisen, die sich einfach interpretieren l¨sst. RDF Graphen und Ontologien
a
sind keine B¨ume und bilden in der Regel eine komplexe Struktur, weshalb
a
¨
eine direkte Uberf¨ hrung in eine Baumdarstellung nicht m¨glich ist.
u o
Nach Le Grand und Soto [1] ist es jedoch sinnvoll kleine Teile aus der
semantischen Struktur in B¨ume zu tranformieren. Die Herausforderung der
a
Graphen-Visualisierung liegt generell darin, m¨glichst viele Knoten (Nodes)
o
¨
darzustellen, ohne dass dabei die Lesbarkeit und die Ubersicht verloren geht.

3.6.1 Hyperbolic Trees
Eine m¨gliche L¨sung zur Darstellung von Graphen ist die Verwendung von
o o
hyperbolischer anstatt der euklidschen Geometrie, wodurch sich eine große
Anzahl an Knoten und Beziehungen auf dem Bildschirm darstellen lassen.
Ein Hyperbolic Tree (HT) ist eine Visualisierungstechnik, die Informatio-
nen abh¨ngig vom Fokus und Kontext in einer einfach zu interpretierenden
a
Baum-Ansicht darstellt. Hyperbolic Trees wurden urspr¨ nglich von Xerox
u
PARC entwickelt und patentiert. Abbildung 3.4 zeigt eine von Musictrails6
verwendete Visualisierung von K¨ nstlern und deren Beziehungen zueinander
u
mit Hilfe des JavaScript Hyperbolic Browsers7 .
6
Musictrails ist ein Music Recommendations System, das anhand der Musikgewohn-
heiten von Benutzern Informationen sammelt - http://musictrails.com.ar/
7
Der JavaScript Hyperbolic Browser ist eine von Nicolas Garcia Belmonte entwickelte
JavaScript Library zur Darstellung von interaktiven Hyperbolic Trees in Webbrowsern -
http://hypertree.woot.com.ar/


Abbildung 3.4: Darstellung einer Hyperbolic Tree Repr¨sentation am Bei-
a
spiel des JavaScript Hyperbolic Browsers

3.6.2 3D-Graphs
Eine weitere M¨glichkeit dem Platzmangel am Bildschirm zu begegnen,
o
ist die Repr¨sentierung des semantischen Graphs in drei Dimensionen. Le
a
Grand und Soto 2006 [1] entwickelten mit UNIVIT8 ein Werzeug zur Visua-
lisierung von Topic Maps (siehe Abbildung 3.5). UNIVIT verwendet Virtual
Reality Techniken wie 3D, Interaktionen und verschiedene Detailebenen.
Durch die Abst¨nde der Knoten zueinander k¨nnen zus¨tzliche Informa-
a o a
tionen abgelesen werden. Eng zueinander in Beziehung stehende Elemente
werden durch knappe Abst¨nde der Knoten zueinander signalisiert und Ele-
a
mente desselben Typs werden zu Clustern zusammengefasst.
8
UNIVIT steht f¨ r Universal Interactive Visualization Tool
u


Abbildung 3.5: 3D-Darstellung einer Topic Map Repr¨sentation mit UNI-
a
VIT

3.6.3 Node-Link Diagrams
Node-Link Diagrams entsprechen der klassischen Darstellung von Graphen-
strukturen. Dabei werden Knoten und Beziehungen auf der Anzeigeﬂ¨che a
angeordnet. Die Visualisierung komplexer Graphen ist bei dieser Darstel-
lung zwar m¨glich, doch wird ein grosser Anzeigebereich ben¨tigt und die
o o
Navigation erheblich erschwert. Derartige Visualisierungen werden beispiels-
weise bei Werkzeugen zur Erstellung von Ontologien eingesetzt.


Abbildung 3.6: IsaViz Graph

IsaViz9 (siehe Abbildung 3.6) ist eine visuelle Umgebung zur Darstel-
lung und Bearbeitung von RDF Modellen. Sie erlaubt dem Benutzer Onto-
logien mit Hilfe eines graphischen Werkzeugs zu erstellen und anschließend
als RDF-Format zu exportieren.

Die Herausforderung bei der Darstellung von Node-Link Diagrams liegt in
der Anordnung der Knoten und deren Verbindungen zueinander. Um ein
lesbares Bild zu erhalten, d¨ rfen sich Knoten und Verbindungen nicht uber-
u ¨
lappen und m¨ ssen geeignete Abst¨nde, sowie nach M¨glichkeit Symmetrie-
u a o
eigenschaften aufweisen. Um diesen Anforderungen Rechnung zu tragen, sind
geeignete Algorithmen notwendig, welche in der Lage sind, eine m¨glichst
o
optimale Anordnung der Elemente zu berechnen.
Fruchterman und Reingold [6] stellen 1991 den Force-directed Placement
Algorithmus10 vor, der verwendet werden kann um zuf¨llig platzierte Knoten
a
in ein w¨ nschenswertes Layout zu uberf¨ hren und dabei den Anforderungen
u ¨ u
¨
an die Asthetik der visuelle Repr¨sentation entspricht.
a
9
http://www.w3.org/2001/11/IsaViz/
10
auch unter Spring embedding Algorithmus bekannt


Abbildung 3.7: ActionScript Implementierung des Force-directed place-
ment Algorithmus

Abbildung 3.7 zeigt eine Implementierung des Force-directed placement
Algorithmus von Masaki Sawamura11 unter der Verwendung von ActionS-
cript12 .

3.7 Zusammenfassung
Mit Cluster Maps, Tree Maps, Graphs und Trees wurden unterschiedliche
Techniken zur Erzeugung einer grafischen Repr¨sentation vorgestellt. Aus-
a
serdem wurde mit Faceted Browsern ein alternatives und rein textbasieren-
des Konzept zur Aufbereitung und Strukturierung von semantischem Da-
tenmaterial gezeigt. Die beschriebenen Techniken kommen in verschiedenen
Werkzeugen zum Einsatz und bilden die Grundlage f¨ r eine qualitative In-
u
formationsvisualisierung. Im folgenden Kapitel werden Kriterien behandelt,
anhand derer sich konkrete Visualisierungswerkzeuge gegen¨ berstellen und
u
bewerten lassen.

11
http://sawamuland.com/flash/graph.html
12
ActionScript ist Bestandteil von Adobe Flash - http://www.adobe.com/flash/

Kapitel 4

Kriterienkatalog

Im Rahmen dieses Kapitels erfolgt eine Auswahl an Kriterien, die zur Bewer-
tung von konkreten Visualisierungstechniken herangezogen werden k¨nnen.
o
¨
Basierend auf den Erkenntnissen von Edlinger [3], der einen Uberblick uber
¨
Bewertungskriterien der Informationsvisualisierung im Wissensmanagement
gibt, werden jene Eigenschaften erhoben und adaptiert, die f¨ r die Bewer-
u
tung von Visualisierungsmethoden im Semantic Web relevant sind.
Die Grundlage des folgenden Kriterienkatalogs bildet das Visual Infor-
mation Seeking Mantra nach Shneiderman [14, p.2ff]. Ausgehend von diesen
Erkenntnissen werden basierend auf den Merkmalen von Dal Sasso Freitas
et. al [5, p.42f], die auch Edlinger [3] als Grundlage dienten, Kriterien zur
Beurteilung von Visualisierungstechniken vorgestellt.

4.1 Typologie nach Shneiderman
Shneiderman [14, p.1] fasst mit dem Visual Information Seeking Mantra
viele Entw¨ rfe zusammen und stellt damit ein Rahmenwerk zur Einteilung
u
und Bewertung von Informationsvisualisierungen bereit.

“Overview first, zoom and filter, then details-on-demand”
¨
Demnach soll eine Visualisierung vorerst einen Uberblick uber die betref-
¨
fenden Informationen bieten. Filter- und Zoomfunktionen erm¨glichen dann
o
eine speziellere Selektierung und zuletzt k¨nnen zu jedem dargestellten Ele-
o
ment Details eingesehen werden. Durch diese Technik ist es dem Anwender
m¨glich, auch durch große Datenbest¨nde zu navigieren und bei Bedarf Zu-
o a
gang zu allen Details zu haben.

4.2 Usability der visuellen Repr¨sentation
a
Dal Sasso Freitas et al. [5] besch¨ftigen sich mit der Evaluierung von Usabi-
a
lity bei Visualisierungstechniken und deklarieren im Zuge dessen Kriterien,

23

KAPITEL 4. KRITERIENKATALOG 24

die zur Bewertung von Visualisierungstechniken herangezogen werden k¨n- o
nen.
Dal Sasso Freitas et al. [5] legen drei Kategorien zur Einteilung der be-
handelten Merkmale fest. Die Usability der visuellen Repr¨sentation be-
a
zieht sich auf die Aussagekraft und Qualit¨t der resultierenden Darstellung.
a
Interface Usability geht auf die Interaktionsmechanismen ein, die das Vi-
sualisierungswerkzeug dem Benutzer zur Verf¨ gung stellt. Der Bereich Data
u
Usability widmet sich der Eignung der zugrunde liegenden Daten in Hinblick
auf die Unterst¨ tzung von Anwenderaufgaben.
u
Die folgende Auswahl an Kriterien l¨sst sich auch auf Visualisierungen
a
anwenden, die auf der Grundlage von semantischen Daten arbeiten, wobei
auf die ersten beiden Kategorien n¨her eingegangen wird. Ausserdem soll
a
f¨ r jede Eigenschaft gekl¨rt werden, in welchem Ausmaß sie f¨ r die Visuali-
u a u
sierung von semantischen Daten von Bedeutung ist.

4.2.1 Datentyp (data type)
Shneiderman [14] beschreibt verschiedene Datentypen im Rahmen seiner
Task by Data Type Taxonomy. Er geht davon aus, dass der Anwender eine
Sammlung von Elementen anzeigen m¨chte, die wiederum mehrere Attri-
o
bute beinhaltet. F¨ r alle sieben von Shneiderman beschrieben Datentypen
u
gilt, dass die zugrunde liegenden Elemente Attribute haben und damit eine
Selektion nach bestimmten Attributwerten erm¨glichen. Anhand des Daten-
o
typs ist eine Einordnung des zugrunde liegenden Datenmaterials m¨glich.
o
Eine Visualisierungstechnik, die einen vorgegebenen Datentyp nicht un-
terst¨ tzt, muss nicht weiter untersucht werden, da es nicht m¨glich ist, eine
u o
graphische Repr¨sentation zu erstellen. Angesichts dieser Eigenschaft kommt
a
dem Datentyp bei der Bewertung die gr¨ßte Bedeutung zu, da es sich um
o
ein Knock-Out-Kriterium handelt.

Shneiderman [14] beschreibt dabei folgende sieben Datentypen: 1-dimensional,
2-dimensional, 3-dimensional, Temporal, Multi-dimensional, Tree und Net-
work.

¨
Messmethoden: Ubereinstimmungspr¨ fung, Situationsanalyse
u

Messgroßen:
¨

• Unterst¨ tzung der geforderten Datentypen: Werden die geforderten
u
Datentypen in vollem Umfang unterst¨ tzt?
u
• Unterst¨ tzung alternativer Datentypen: Werden alternativ weitere Da-
u
tentypen unterst¨ tzt und sind diese f¨ r die Visualisierungsaufgabe hilf-
u u
reich?


4.2.2 Aussagekraft (expressiveness)
Die Aussagekraft basiert nach MacKinlay [10] auf einer formalen Analyse
von graphischen Sprachen und legt fest, ob eine graphische Repr¨sentierung
a
exakt die gew¨ nschte Information darstellt.
u
MacKinlay [10] bezeichnet die Aussagen als Fakten und verwendet f¨ r u
das Datenmaterial die Bezeichnung Set. Um eine hohe Aussagekraft zu er-
reichen, m¨ ssen in jedem Fall alle Fakten des Sets codiert werden. Als zweite
u
Bedingung nennt MacKinlay die Ausschließlichkeit der Fakten des Sets. Sind
nicht ausschließlich die Fakten des Sets codiert, kann das nur dann toleriert
werden, wenn durch die Darstellung von anderen Informationen die Lesbar-
keit weiterhin gegeben ist und die Darstellung durch den Benutzer interpre-
tiert werden kann.

Messmethoden: Zielgruppentests, Stichprobentests

Messgroßen:
¨

• Allgemein: Wird durch die graphische Darstellung die zugrunde lie-
gende Information korrekt wiedergegeben?
• Vollst¨ndigkeit der Fakten: Werden alle Fakten des Sets codiert?
a
• Ausschließlichkeit der Fakten: Werden ausschließlich die Fakten des
Sets codiert? Ist die Lesbarkeit auch dann noch gegeben, wenn nicht
ausschließlich die Fakten des Sets codiert werden?

4.2.3 Effektivit¨t (effectiveness)
a
Effektivit¨t bezieht sich auf die Eignung der Maßnahmen zur Zielerreichung.
a
Die Effektivit¨t einer Visualisierung wird herangezogen, um Aussagen uber
a ¨
die Wirksamkeit der Darstellung von Informationen treffen zu k¨nnen. Eine
o
¨
Darstellung ist effektiv, wenn sich der Betrachter rasch einen Uberblick uber
¨
die in den Daten enthaltenen Informationen verschaffen kann. Eine Evalu-
ierung erfolgt auf Basis der unterschiedlichen Designaspekte der Visualisie-
rung, wobei auch die Interpretationsf¨higkeit des Benutzers einen Einfluss
a
auf diese Eigenschaft hat. MacKinlay [10] verfolgte mit der Bewertung das
Ziel, Visualisierungstechniken hinsichtlich ihrer Effektivit¨t vergleichbar zu
a
machen.
Die Aussagekraft, sowie weitere Kriterien die sich auf die Usability von
visuellen Repr¨sentationen beziehen, sind Voraussetzung f¨ r eine effektive
a u
Darstellung. Edlinger [3] reduziert dieses Kriterium auf den Kern, der lautet:
“Werden die Informationen klar und verst¨ndlich dargestellt?” Die Messung
a
der Effektivit¨t kann durch die f¨ r die Interpretation ben¨tigte Zeit, sowie
a u o
den Anteil richtiger Interpretationen in Relation zu den Fehlinterpretatio-
nen erfolgen. Um Aussagen uber die Effektivit¨t eines Werkzeugs treffen zu
¨ a


k¨nnen, sind Tests mit Zielgruppen erforderlich, die Werte f¨ r die ben¨tigte
o u o
Zeit der Interpretation und die Anzahl der Fehlinterpretation erheben.

Messmethoden: Zielgruppentests, Zeitmessung, direkte Erhebung durch
Stichproben

Messgroßen:
¨

• Gefahr der Missinterpretation: Werden mindestens 90% der dargestell-
ten Informationen richtig interpretiert? K¨nnen Testfragen nach der
o
Betrachtung der Darstellung vom Testsubjekt richtig beantwortet wer-
den?
• Geschwindigkeit der Interpretation: Ist die durchschnittliche Geschwin-
digkeit der Interpretation zufriedenstellend? Liegt der durchschnittli-
che Wert unterhalb eines zuvor festgelegten Maximalwerts?

4.2.4 Kognitive Komplexit¨t (cognitive complexity)
a
Kognitive Komplexit¨t ist nach Bieri et al. [8] durch die Anzahl und Eigen-
a
schaften der Dimensionen definiert, die Individuen zur kognitiven Struktu-
rierung von Gegenstandsbereichen verwenden. Fenton und Pfleeger [4, p.245]
beschreiben kognitive Komplexit¨t als den Aufwand, der vom Menschen zum
a
Verst¨ndnis der L¨sung erbracht werden muss. Die kognitive Komplexit¨t
a o a
einer Darstellung l¨sst sich mit Hilfe der Datendichte, der Datendimension
a
und der Relevanz der dargestellten Informationen messen. Die Anzahl der
visualisierten Datenelemente auf einer bestimmte Anzeigefl¨che legen die
a
Datendichte fest, w¨hrend die Datendimension die Anzahl der Dimensionen
a
bestimmt, die gleichzeitig angezeigt werden.

¨
Messmethoden: Uberpr¨ fung der Parameter anhand zuvor festgelegter
u
Sollwerte, Zielgruppentests

Messgroßen:
¨

• Datendichte: Wird die vorgegebene minimale Datendichte nicht un-
terschritten? Wird die maximale Datendichte, die durch die definierte
Anzeigefl¨che festgelegt wird, uberschritten?
a ¨
• Datendimension: Wird die minimale Datendimension, die durch den
Datentyp vorgegeben wird, erreicht? L¨sst sich die vorgegebene Da-
a
tendimension mit dem untersuchten Visualisierungswerkzeug sinnvoll
darstellen?


4.2.5 Rümliche Organisation (spatial organization)
a
Die rümliche Organisation h¨ngt mit dem Layout einer visuellen Darstel-
a a
lung zusammen und besch¨ftigt sich im Wesentlichen mit der Frage, wie
a
einfach es f¨ r den Benutzer ist, einzelne Elemente in der Darstellung zu
u
lokalisieren, um sich der ganzheitlichen Darstellung bewusst zu werden.
Die rümliche Organisation umfasst nach Dal Sasso Freitas et. al [5]
a
die logische Reihenfolge der Elemente, den Grad der Verdeckung, sowie die
Anzeige von Details und den Referenzkontext. Die Lokalisierung eines ein-
zelnen Elements kann sich schwierig gestalten, sollten einige Objekte von
anderen uberlagert werden oder sich das Layout nicht an die Struktur der
¨
Datenelemente halten. Betrachtet der Benutzer Details zu einem Objekt, so
beinflusst die Darstellung des Referenzkontexts die rümliche Orientierung,
a
die es dem Benutzer erm¨glicht, sich uber die Verteilung der Informations-
o ¨
elemente bewusst zu werden.

¨
u

Messgroßen:
¨

• Logische Reihenfolge der Elemente: Werden die geforderten logischen
Anordnungen (alphabetisch, tabellarisch, hierarchisch, relational oder
geographisch) vom Visualisierungswerkzeug unterst¨ tzt?
u
• Grad der Verdeckung: Kann vollst¨ndige Verdeckung ausgeschlossen
a
werden? Kann teilweise Verdeckung ausgeschlossen werden? K¨nnen
o
Informationsobjekte einfach lokalisiert werden?
• Anzeige von Details: Hat der Benutzer die M¨glichkeit, sich bei Bedarf
o
Details zu einzelnen Informationselementen anzeigen zu lassen?
• Referenzkontext: Kann der Referenzkontext vom Benutzer lokalisiert
werden, w¨hrend der Fokus auf der Darstellung von Details zu einem
a
bestimmten Element liegt?

4.2.6 Informationscodierung (information coding)
Dal Sasso Freitas et. al [5] sehen die Informationscodierung als einen weite-
ren Aspekt, der zur Evaluierung von Visualisierungstechniken herangezogen
werden kann. Durch die Verwendung von zus¨tzlichen Symbolen k¨nnen al-
a o
ternative Repr¨sentationen wie Gruppen als Cluster-Darstellung generiert,
a
oder der Benutzer dabei unterst¨ tzt werden, eine bessere Vorstellung von
u
den Informationselementen zu bekommen. Die Unterst¨ tzung von Informa-
u
tionscodierung kann einen wesentlichen Beitrag zur Usability von visuellen
Repr¨sentationen leisten.
a


¨
u

Messgroßen:
¨

• Anzahl der unterst¨ tzten Informationscodierungen: Werden die vom
u
Anwendungsfall geforderten Codierungen (Farbe, Symbole, Textform)
unterst¨ tzt?
u
• Qualit¨t der Darstellung: Werden die codierten Informationen uber-
a ¨
sichtlich und nachvollziehbar dargestellt?

4.2.7 Beziehungen (relations)
Semantische Daten basieren auf einer Sammlung von Objekten die durch
Pr¨dikate miteinander in Beziehung gebracht werden. Relationen bilden so-
a
mit das Herzst¨ ck eines semantischen Netzwerks. Der visuellen Repr¨sen-
u a
tation von Beziehungen zwischen den Informationsobjekten kommt somit
große Bedeutung zu, deshalb sollte sie unbedingt in die Evaluierung mitein-
ﬂießen. Entscheidend ist weiterhin, inwieweit unterschiedliche Beziehungsty-
pen unterst¨ tzt werden und wie deren Kennzeichnung erfolgt. Ein Werkzeug,
u
das die Darstellung von Beziehungen nicht unterst¨ tzt, ist demnach f¨ r die
u u
Visualisierung von semantischen Daten in den meisten F¨llen ungeeigenet.
a

¨
u

Messgroßen:
¨

• Anzahl der unterst¨ tzten Beziehungstypen: Werden alle geforderten
u
Beziehungstypen (hierarchisch, gleichrangig, 1:M, M:N) unterst¨ tzt?
u
• Qualit¨t der Darstellung: Werden Beziehungen klar und ubersichtlich
a ¨
dargestellt? Kann man optisch zwischen den unterschiedlichen Bezie-
hungstypen unterscheiden?
• Visualisierung impliziter Zusammenh¨nge: Werden zus¨tzliche M¨g-
a a o
lichkeiten zur Visualisierung von Zusammenh¨ngen geboten, die sich
a
nicht unmittelbar aus dem Datenmaterial ergeben, sondern erst bei
der Visualisierung ersichtlich werden?

4.2.8 ¨
Ubergang (state transition)
¨
Dal Sasso Freitas et. al [5] f¨ hren den Ubergang zwischen zwei Darstellun-
u
¨
gen als wesentliches Usability-Kriterium an. Der Ubergang ist das Resultat
des Neuzeichnens von einzelnen Teilen oder der gesamten visuellen Repr¨- a
¨
sentation nach einer Benutzeraktion, wie beispielsweise dem Andern von


Filterkriterien. Die Vorstellung der Informationselemente des Benutzers bei
¨ ¨
Uberg¨ngen h¨ngt von Faktoren wie der Dauer des Ubergangs oder den An-
a a ¨
¨
derungen in der rümlichen Darstellung ab. Ein nachvollziehbarer Ubergang
a
hat in der Regel eine positive Wirkung auf den Benutzer bei der Verwendung.

¨
u

Messgroßen:
¨
¨
• Qualit¨t der Darstellung von Uberg¨ngen: Beh¨lt der Benutzer w¨h-
a a a a
¨ ¨
rend des Ubergangs die Ubersicht und kann die neue Anordnung der
Elemente nachvollziehen?
¨
• Arbeitsfluss: Bietet der Ubergang dem Benutzer einen Nutzen zur Ori-
entierung, ohne dabei den Arbeitsfluss zu unterbrechen?

4.3 Interface Usability
Neben den im ersten Teil vorgestellten Kriterien ist auch die Qualit¨t der
a
Benutzerschnittstelle von großer Bedeutung. Nachfolgend werden jene Kri-
terien vorgestellt, die sich nicht mit der graphischen Darstellung an sich,
sondern mit jenen Funktionen, die dem Benutzer bei der Erstellung einer
Visualisierung unterst¨ tzen, auseinandersetzen.
u

4.3.1 Orientierung und Hilfe (orientation and help)
Die Art der Orientierung und Hilfe, die dem Benutzer zur Verf¨ gung steht,
u
ist ein wichtiges Merkmal, das zur Evaluierung der Usability herangezogen
werden kann. Dal Sasso Freitas et. al [5] f¨ hren in diesem Zusammenhang
u
Funktionen wie die Kontrolle der Detailebene, Undo / Redo Aktionen und
die Repr¨sentation von zus¨tzlichen Informationen, wie das Einblenden ei-
a a
nes Navigationspfads an. Mit der Unterst¨ tzung dieser Funktionen bieten
u
entsprechende Werkzeuge dem Benutzer die M¨glichkeit, ihre Aufgaben ef-
o
fizienter l¨sen zu k¨nnen, in dem die Handhabung bei der Navigation von
o o
großen Datenbest¨nden erheblich erleichtert wird.
a

¨
u

Messgroßen:
¨

• Kontrolle der Detailebene: Stehen dem Benutzer ausreichende M¨g-
o
lichkeiten zur Kontrolle der Detailebene zur Verf¨ gung?
u


• Unterst¨ tzung von Undo / Redo Funktionen: Unterst¨ tzt das Werk-
u u
zeug das R¨ ckg¨ngigmachen und Wiederherstellen von Aktionen?
u a
• Repr¨sentation von zus¨tzlichen Informationen: Ist das Visualisierungs-
a a
werkzeug in der Lage Zusatzinformationen wie Metainformationen zum
betrachteten Element bei Bedarf einzublenden?

4.3.2 Navigation und Abfragen (navigation and querying)
Die Analyse von Funktionen zur Navigation und Abfragen sollte in keiner
Bewertung fehlen, zumal dieses Merkmal entscheidend dar¨ ber ist, ob uber-
u ¨
haupt mit großen Datenbest¨nden gearbeitet werden kann. Nach Dal Sasso
a
Freitas et. al [5] sollen daf¨ r die M¨glichkeit und Einfachheit der Selek-
u o
tion eines Datenelements, die Ver¨nderung des Standpunkts des Benutzers,
a
Manipulation von geometrischen Repr¨sentationen von Datenelementen, die
a
Suche und Abfrage nach spezifischen Informationen und das Ausdehnen von
geclusterten oder versteckten Elementen untersucht werden.
Diese Eigenschaften sind insbesondere bei der Visualisierung von seman-
tischen Daten von Bedeutung, da im Regelfall eine große Menge an typisier-
ten Daten vorliegt, die lediglich durch Abfragen und Gruppierung handhab-
bar wird.

¨
u

Messgroßen:
¨
• Selektion eines Datenelements: Ist es m¨glich einzelne Datenelemente
o
leicht zu lokalisieren und auszuw¨hlen?
a
• Ver¨nderung des Standpunkts des Benutzers: Kann der Benutzer auf
a
einfache Weise einen alternativen Standpunkt w¨hlen?
a
• Manipulation von geometrischen Repr¨sentationen von Datenelemen-
a
ten: Kann der Benutzer in die Art der Darstellung eingreifen und gra-
phische Elemente zur besseren Lesbarkeit neu anordnen?
• Suche und Abfrage nach spezifischen Informationen: Kann der Benut-
zer gezielt nach Informationen suchen und eigene Abfragen formulie-
ren?
• Ausdehnen von geclusterten oder versteckten Elementen: Ist es m¨g- o
lich, Details zu geclusterten Bereichen zu erfahren und versteckte Ele-
mente auf Wunsch des Benutzers einzublenden?

4.3.3 Reduktion des Datenbestands (data set reduction)
Die Reduktion des Datenbestands schafft die M¨glichkeit, den Fokus auf
o
interessante Bereiche zu legen und die f¨ r den Zweck der Visualisierung un-
u


relevanten Informationen auszublenden. Dal Sasso Freitas et. al [5] geben
Filtering, Clustering und Pruning als Varianten der Reduktion des Daten-
bestands an. Filtern erlaubt die Reduktion der angezeigten Informationen
zu einem bestimmten Zeitpunkt, Clustering wird verwendet, um Teilmengen
der Datenelementen zu gruppieren und mit speziellen Symbolen zu Clustern
zusammenzufassen, w¨hrend Pruning f¨ r das Verst¨ndnis der Visualisierung
a u a
unrelevante Informationen ausschneidet.

¨
u

Messgroßen:
¨

• Filtering: Stehen dem Benutzer ausreichende M¨glichkeiten zum Fil-
o
tern des Datenbestands zur Verf¨ gung?
u
• Clustering: Ist es m¨glich zusammengeh¨rige Objekte zu Clustern zu-
o o
sammenzufassen?
• Pruning: Lassen sich unrelevante Informationen aus der Betrachtung
ausschließen?

4.3.4 Datenerkundung (data exploration)
Christian Fluit et. al [2] beschreiben die Aufgabe der Datenerkundung als
einen Prozess der Informationssuche, der f¨ r die aktuellen Aktivit¨ten des
u a
Benutzers nicht unmittelbar von Relevanz ist. Datenerkundung unterschei-
det sich von der Abfrage von Daten dahingehend, dass keine individuellen
¨
Fragen beantwortet werden sollen, sondern der Benutzer sich einen Uberblick
verschaﬀen m¨chte, welche Informationen uberhaupt zur Verf¨ gung stehen.
o ¨ u
Im Unterschied zur allgemeinen Analyse soll der Benutzer bei der Datener-
kundung in der Lage sein, den gesamten Datenbestand im Auge zu behalten,
er kann sich dabei aber auf die f¨ r ihn relevanten Bereiche konzentrieren.
u
Bei Visualisierungsaufgaben im Semantic Web sind in vielen Anwen-
dungsf¨llen keine Informationen uber den grunds¨tzlichen Aufbau der Da-
a ¨ a
ten verf¨ gbar. Der Benutzer ben¨tigt also einen Einstiegspunkt, um sich
u o
a ¨
zun¨chst einen Uberblick uber die vorhandenen Elemente und deren Typ-
¨
informationen verschaﬀen zu k¨nnen, um in weiterer Folge, nach Erlangen
o
der Kenntnis uber die f¨ r ihn relevanten Datenstrukturen, gezielte Abfragen
¨ u
formulieren zu k¨nnen.
o
Im vorherigen Kapitel wurden mit Cluster Maps und textuellen Interfa-
ces L¨sungen f¨ r diesen Aspekt vorgestellt, der eine entscheidende Rolle im
o u
Bereich der Visualisierung von Ontologien darstellt.

¨
u


Messgroßen:
¨

• Visualisierung des gesamten Datenbestands: Ist das Werkzeug in der
¨
Lage, eine Ubersicht uber den gesamten Datenbestand zu geben?
¨
• Navigation durch verschiedene Detailebenen: Kann der Benutzer sich
auf einfache Art in unterschiedlichen Detailebenen bewegen und dabei
die Struktur der Daten erkunden?

4.4 Vorgehensweise bei der Bewertung
Im Folgenden wird beschrieben, wie durch die Gewichtung der Kriterien und
deren Bewertung mit Hilfe einer Bewertungsskala eine Visualisierungstech-
nik hinsichtlich ihrer Eignung f¨ r das Semantic Web bewertet werden kann.
u
Die Bewertung der einzelnen Kriterien erfolgt mit geeigneten Messmethoden.
Vorschl¨ge f¨ r geeignete Messmethoden finden sich unterhalb der Beschrei-
a u
bung der einzelnen Kriterien.
Als Ergebnis der Evaluierung liegt eine Tabelle vor, die Aufschluss dar-
uber gibt, welche Kriterien von einer konkreten Visualisierungstechnik in
¨
welchem Umfang unterst¨ tzt werden. Aus den einzelnen Werten kann nun
u
unter Ber¨ cksichtigung der festgelegten Gewichtung eine Gesamtbewertung
u
abgeleitet werden.

4.4.1 Gewichtung der Kriterien
Da die Eigenschaften einen unterschiedlich starken Einfluss auf die Eignung
einer Visualisierungstechnik haben, erfolgt im Vorfeld eine Gewichtung, die
eine differenzierte Berechnung der Gesamtsumme erm¨glicht.
o
Edlinger [3] schl¨gt vor, auf jene Kriterien, die einen Bezug zur unter-
a
suchenden Visualisierungstechnik aufweisen, besonders hoch zu gewichten.
Dem Datentyp kommt demnach das h¨chste Gewicht zu, da mit Hilfe der
o
durch das Datenmaterial festgelegten Voraussetzungen bereits fr¨ h unge-
u
eignete Techniken und Werkzeuge ausgeschlossen werden k¨nnen. Nach Ed-
o
linger [3] bekommen die Aussagekraft und die Effektivit¨t besonders viel
a
Gewicht, da diese Kriterien die Eignung zur Interpretation durch den Be-
nutzer festlegen. Der Rest der Gewichtung wird auf weitere Kriterien, welche
die Usability der visuellen Repr¨sentation sowie die Interface Usability be-
a
treffen, aufgeteilt.

Die folgende Auflistung stellt, angelehnt an Edlinger [3], eine exemplarische
Gewichtung der Kriterien dar. In der Praxis ist es wichtig, die Gewichtung
entsprechend der individuellen Voraussetzungen vorzunehmen.


Tabelle 4.1: Gewichtung der einzelnen Kriterien.

Kriterium Gewichtung
Usability der visuellen Repr¨sentation
a
Datentyp (data type) K.O.
Aussagekraft (expressiveness) 25 %
Effektivit¨t (effectiveness)
a 25 %
Kognitive Komplexit¨t (cognitive complexity)
a 5,56 %
Rümliche Organisation (spatial organization)
a 5,56 %
Informationscodierung (information coding) 5,56 %
Beziehungen (relations) 5,56 %
¨
Ubergang (state transition) 5,56 %
Interface Usability
Orientierung und Hilfe (orientation and help) 5,56 %
Navigation und Abfragen (navigation and querying) 5,56 %
Reduktion des Datenbestands (data set reduction) 5,56 %
Datenerkundung (data exploration) 5,56 %
Gesamt 100 %

4.4.2 Bewertungsskala
Die Bewertung erfolgt auf Basis eines Punktesystems. Jedes Kriterium wird
auf einer Punkteskala von 0 Punkte (nicht unterst¨ tzt) bis 3 Punkte (voll-
u
st¨ndig unterst¨ tzt) bewertet.
a u

Tabelle 4.2: M¨gliche Auspr¨gungen der Werte.
o a

Allgemein Grad der Unterst¨tztung Qualit¨t
u a
3 sehr gut vollst¨ndig
a sehr hoch
2 gut großteils zufriedenstellend
1 ausreichend ausreichend ausreichend
0 nicht gen¨ gend unzureichend
u unzureichend

4.5 Zusammenfassung
Im Rahmen dieses Kaptitels wurden Kriterien beschrieben, anhand derer
eine Bewertung von Visualisierungstechniken f¨ r das Semantic Web m¨glich
u o


ist. Es wurde die Vorgehensweise bei der Bewertung erl¨utert und dabei auf
a
die individuelle Gewichtung der Eigenschaften sowie auf die Verwendung ei-
ner Bewertungsskala eingegangen. Das folgende Kapitel besch¨ftigt sich nun
a
mit der Anwendung des Kriterienkatalogs anhand ausgew¨hlter Visualisie-
a
rungswerkzeuge.

Kapitel 5

Bewertung ausgew¨hlter
a
Werkzeuge

Im Rahmen dieses Kapitels werden zwei ausgew¨hlte Visualisierungswerk-
a
zeuge vorgestellt und anhand des Kriterienkatalogs bewertet. Dabei ﬁel die
Wahl der Untersuchungsobjekte auf Aduna AutoFocus, das uber eine be-
¨
sonders aufwendige graphische Darstellung verf¨ gt und den Longwell RDF
u
Browser, der im Gegensatz dazu g¨nzlich auf eine graphische Repr¨sentation
a a
verzichtet. Dabei soll gezeigt werden, wie anhand des erstellten Kriterien-
katalogs Werkzeuge mit unterschiedlichen Schwerpunkten bewertet werden
k¨nnen.
o

5.1 Aduna AutoFocus
Mit AutoFocus stellt Aduna1 ein Werkzeug zur Desktop-Suche bereit, das
eine auf Cluster Maps basierenden Ergebnisdarstellung bietet. AutoFocus er-
m¨glicht die Extraktion und Indizierung von Metadaten aus verschiedenen
o
Informationsquellen. Unter anderem werden dabei Verzeichnisse, Websites
und E-Mail Accounts unterst¨ tzt. AutoFocus baut aus den extrahierten In-
u
formationen eine Datenbank auf, die auf Semantic Web Technologien basiert.
AutoFocus greift dabei auf Sesame zur¨ ck, einem Semantic Web Data Store,
u
der f¨ r die eﬃziente Speicherung und Abfrage des Datenbestands zust¨ndig
u a
ist.
1
www.aduna-software.com

35

¨
KAPITEL 5. BEWERTUNG AUSGEWAHLTER WERKZEUGE 36

Abbildung 5.1: Aduna AutoFocus

5.1.1 Bewertung
Die Cluster Map Darstellung gilt als eine besonders aussagekr¨ftige, visuelle
a
Informationsdarstellung und schneidet bei entsprechenden Evaluierungen in
Bezug auf die Usabilty der visuellen Repr¨sentation in der Regel ausgespro-
a
chen gut ab (Vgl. Fluit et. al 2006 [2]). Die St¨rke von Aduna AutoFocus
a
ist im Wesentlichen mit der Cluster Map Darstellung begr¨ ndet (siehe Ab-
u
schnitt 3.3). Das einfach gehaltene User Interface erm¨glicht dem Benutzer
o
durch den Datenbestand zu navigieren, ohne dabei Kenntnis uber die zu-
¨
grunde liegende Datenstruktur haben zu m¨ ssen.
u

Die Bewertung von Aduna AutoFocus erfolgt nun anhand der in Kapitel
4 vorgestellen Kriterien und der dazugeh¨rigen Bewertungsskala. Die Be-
o
wertung basiert auf der Version 4.0 von Aduna AutoFocus.

Datentyp (data type)
AutoFocus unterst¨ tzt die Datentypen Tree und Network f¨ r Datenmate-
u u
rial, das bereits in einem semantisch aufbereiteten Format vorliegt. Zus¨tz-
a
lich dazu ist AutoFocus in der Lage mit Hilfe von Informationsextraktion
unter bestimmten Voraussetzungen eindimensionale, zweidimensionale und
temporale Daten zu behandeln.

Bewertung: Abh¨ngig von Anforderung (K.O. Kriterium)
a

¨

Aussagekraft (expressiveness)
Aduna AutoFocus codiert alle Fakten des Sets und garantiert ausserdem
deren Ausschließlichkeit. Die Aussagekraft ist daher in jedem Fall gegeben.

Bewertung: 3/3 Punkten

Effektivit¨t (effectivness)
a
Cluster Maps liefern hervorragende Ergebnisse was die Interpretation der
Darstellung betrifft. Einzelne Suchbegriffe, sowie deren Beziehungen zuein-
ander werden klar und unmißverst¨ndlich dargestellt und k¨nnen vom Be-
a o
trachter schnell interpretiert werden (Vgl. Fluit et. al 2006 [2]).


a
Der Benutzer von AutoFocus hat die volle Kontrolle uber die kognitive Kom-
¨
plexit¨t der Darstellung. Werden zu Beginn noch weniger Informationsele-
a
mente visualisiert, so steigt die Komplexit¨t mit der Anzahl der hinzukom-
a
menden Suchbegriffe.


a
Die Cluster Map Darstellung von AutoFocus erm¨glicht durch geeignete
o
Algorithmen eine nahezu optimale Anordnung der Informationselemente.
Dabei kann vollst¨ndige und teilweise Verdeckung ausgeschlossen werden.
a
Einzelne Informationsobjekte k¨nnen einfach lokalisiert und bei Bedarf n¨-
o a
her untersucht werden. Der Referenzkontext ist im Benutzer Interface zu
jedem Zeitpunkt ersichtlich.


Informationscodierung (information coding)
AutoFocus verwendet Symbole, Farben und verschiedene Formen zur Infor-
mationscodierung. Die Darstellung dieser Codierungen ist dabei stets uber-
¨
sichtlich und nachvollziehbar.


Beziehungen (relations)
AutoFocus wurde grunds¨tzlich f¨ r die Suche und Visualisierung von Infor-
a u
mationen, die aus unterschiedlichen Dokumenten stammen, entwickelt. Das
hierbei verwendete Datenmaterial basiert in der Regel nicht auf Ontologien
und verf¨ gt deshalb nicht uber typisierte Beziehungsinformationen. Auto-
u ¨

¨

Focus stellt Beziehungen anhand von Suchbegriffen her, die immer dann
miteinander in Zusammenhang stehen, wenn die zugrunde liegenden Doku-
mente diese Begriffe teilen. Die Art der Darstellung dieser Beziehungen ist
dabei üßerst aussagekr¨ftig und effektiv. Sie erm¨glicht dem Benutzer im-
a a o
plizite Zusammenh¨nge zwischen unterschiedlichen Begriffen zu erkennen,
a
die sich erst durch die Visualisierung des Datenmaterials ergeben.


¨
¨
Die Uberg¨nge bei der Ver¨nderung des aktuellen Kontexts werden in Au-
a a
toFocus durch eine kurze Animation veranschaulicht. Dabei ver¨ndert sich
a
die Anordnung der Darstellungselemente in der Art, dass der Benutzer diese
¨
Anderungen optisch nachvollziehen kann.


Orientierung und Hilfe (orientation and help)
Der Benutzer ist in der Lage, zu jedem Zeitpunkt zus¨tzliche Informatio-
a
nen zu den dargestellten Informationselementen einzuholen. Dazu werden
zum einen Tooltips angeboten, zum anderen k¨nnen entsprechende Meta-
o
Informationen bei Bedarf in einer Tabelle eingesehen werden. AutoFocus
unterst¨ tzt keine Kontrolle der Detailebene. Das Clustering erfolgt immer
u
anhand von Begriffen bzw. Sucheigenschaften. AutoFocus bietet auch keine
direkte Unterst¨ tzung f¨ r Undo / Redo Aktionen. Der Benutzer kann le-
u u
diglich durch Hinzuf¨ gen oder Entfernen von Suchbegriffen den vorherigen
u
Zustand wiederherstellen.


Navigation und Abfragen (navigation and querying)
Die Navigation geschieht im Wesentlichen durch Suchanfragen, eine expli-
zite Formulierung von Abfragen ist aber nicht m¨glich. Zwar k¨nnen einzelne
o o
Datenelemente eines Clusters ausfindig gemacht und untersucht werden, je-
doch gibt es keine M¨glichkeit, diese in die Darstellung einfließen zu lassen.
o
Weiters fehlt dem Werkzeug eine Funktion, um den Standpunkt des Benut-
zers zu ver¨ndern. AutoFocus bietet dem Benutzer jedoch die M¨glichkeit,
a o
die dargestellten Informationselemente selbst anzuordnen, um das Ergebnis
weiter zu verbessern.


Reduktion des Datenbestands (data set reduction)
AutoFocus verwendet Clustering um den Datenbestand zu reduzieren und

¨

große Informationsmengen darstellen zu k¨nnen. Das Werkzeug bietet dar-
o
uber hinaus jedoch kaum M¨glichkeiten, die erhaltenen Suchergebnisse wei-
¨ o
ter zu filtern und unrelevante Informationen auszuschneiden.


Datenerkundung (data exploration)
AutoFocus eignet sich hervorragend zur Erkundung von unterschiedlichem
Datenmaterial. Bereits ausgehend von einem Suchbegriff bietet das Werk-
zeug eine Reihe von M¨glichkeiten zur sogenannten “Guided Exploration”.
o
Nachdem der erste Cluster anhand eines Suchbegriffs platziert wurde, wer-
den in den betroffenen Dokumenten ebenfalls hüfig verwendete Begriffe vor-
a
geschlagen. Durch vorgeschlagene Auspr¨gungen von Meta-Informationen
a
kann das Ergebnis weiter verfeinert und verbessert werden.


5.1.2 Bewertungstabelle

Tabelle 5.1: Bewertung von Aduna AutoFocus 4.0

Kriterium Gewichtung Bewertung
a
Aussagekraft (expressiveness) 25 % 3/3
a 25 % 3/3
a 5,56 % 3/3
a 5,56 % 3/3
Informationscodierung (information coding) 5,56 % 3/3
Beziehungen (relations) 5,56 % 2/3
¨
Ubergang (state transition) 5,56 % 3/3
Interface Usability
Orientierung und Hilfe (orientation and help) 5,56 % 1/3
Navigation und Abfragen (navigation and querying) 5,56 % 2/3
Reduktion des Datenbestands (data set reduction) 5,56 % 1/3
Datenerkundung (data exploration) 5,56 % 3/3
Gesamt 100 % 2,67/3

¨

5.1.3 Fazit
Dank der Cluster Map Darstellung bietet Aduna AutoFocus, in Bezug auf die
Qualit¨t der graphischen Repr¨sentation, herausragende Ergebnisse. Beim
a a
Visualisierungsvorgang k¨nnen bisher versteckte Zusammenh¨nge erkannt
o a
und in weiterer Folge beispielsweise f¨ r strategische Entscheidungen genutzt
u
werden. Durch die Unterst¨ tzung von Informationsextraktion aus g¨ngigen
u a
Formaten unter der Zuhilfenahme von Meta-Information er¨ffnet sich ein
o
a
üßerst breites Anwendungsgebiet. Von der Analyse von beliebigen Informa-
tionsmaterials k¨nnen sowohl Firmen als auch Bildungseinrichtungen stark
o
profitieren.

5.2 Longwell RDF Browser
Zun¨chst ist der Longwell RDF Browser kein Werkzeug zur Informations-
a
visualisierung im herk¨mmlichen Sinne, da keine graphische Repr¨sentation
o a
erzeugt wird. Das Werkzeug f¨llt in die Kategorie der Textual Interfaces
a
und ist speziell auf die Navigation und Abfrage von semantischen Daten
ausgerichtet. Longwell wurde im Rahmen des SIMILE1 Projekts am MIT2
entwickelt und basiert auf dem Prinzip von Faceted Navigation (siehe Ab-
schnitt 3.5.1)

Abbildung 5.2: SIMILE Longwell RDF Browser

1
http://simile.mit.edu
2
Massachusetts Institute of Technology - http://www.mit.edu

¨

Die Bewertung eines Werkzeugs dieser Art anhand des Kriterienkatalogs
ist insofern interessant, da es einen direkten Vergleich mit graphischen Tools
erm¨glicht. Dabei soll unter anderem die Frage gekl¨rt werden, inwieweit
o a
ein rein textuelles Interface in der Lage ist, mit graphischen Werkzeugen zu
konkurrieren.

5.2.1 Bewertung
Datentyp (data type)
Der Longwell RDF Browser arbeitet mit Daten, die im RDF Format vor-
liegen. Er unterst¨ tzt somit die Datentypen Tree und Network. Daten, die
u
nicht als RDF vorliegen, m¨ ssen zun¨chst mit Informationsextraktionsme-
u a
chanismen in dieses Format ubergef¨ hrt werden, die jedoch nicht Bestandteil
¨ u
des Werkzeugs sind.

Bewertung: Abh¨ngig von Anforderung (K.O. Kriterium)
a

Aussagekraft (expressiveness)
Longwell codiert alle Fakten des Sets und garantiert ausserdem deren Aus-
schließlichkeit. Die Aussagekraft ist daher in jedem Fall gegeben.


Eﬀektivit¨t (eﬀectivness)
a
Im Unterschied zu graphischen Repr¨sentationen werden die Informations-
a
elemente nicht mittels Symbolen codiert. Die Interpretation der Informati-
onselemente durch den Benutzer ist daher schnell und einfach m¨glich.
o


a
Die Darstellung enth¨lt zum einen eine Listenansicht der aktuell ausgew¨hl-
a a
ten Ergebnismenge, zum anderen einen Bereich mit unterschiedlichen Facet-
ten zur Verfeinerung des Suchergebnisses. Die Anzahl der gleichzeitig ange-
zeigten Elemente der Ergebnisliste ist begrenzt und nachfolgende Elemente
sind mit Hilfe einer Bl¨ttern-Funktion zug¨nglich. Die dargestellte L¨sung
a a o
ist dabei in der Regel verst¨ndlich und leicht zu erfassen.
a


a
Die Ergebnisse werden bei Longwell tabellarisch dargestellt und geben Auf-
schluss uber Details zu einzelnen Elementen. Bei dieser schlichten Form der
¨
Darstellung der Ergebnismenge ist nat¨ rlich jede Art von Verdeckung ausge-
u

¨

schlossen. Der Benutzer kann ausserdem jederzeit Details zu den einzelnen
Informationselementen einsehen, w¨hrend der Referenzkontext immer im
a
Benutzer-Interface ersichtlich ist.


Informationscodierung (information coding)
Longwell unterst¨ tzt keinerlei Formen der Informationscodierung, die Dar-
u
stellung erfolgt ausschließlich textuell.


Beziehungen (relations)
Beziehungen sind bei Longwell nur aus dem Kontext auszumachen und wer-
den nicht explizit visualisiert. Da die Ergebnismenge durch den aktuellen
Kontext, also die aktuelle Auswahl der Filterkriterien, deﬁniert ist, kann der
Benutzer den Bezug der Informationselemente zueinander jedoch zu jedem
Zeitpunkt ausmachen. W¨hrend dies f¨ r die Erkundung des Datenmaterials,
a u
also die gezielte Suche nach Informationen, ausreichend ist, ist das Erkennen
von impliziten Zusammenh¨ngen jedoch nicht oder nur schwer m¨glich.
a o


¨
¨
Andert der Benutzer die aktuellen Such- und Filterkriterien, so wird die
Ergebnisliste neu berechnet. Longwell bietet bei diesem Vorgang keinerlei
¨
graphische Visualisierung des Ubergangs, der Benutzer beh¨lt jedoch die
a
¨
Ubersicht mit Hilfe des aktuellen Referenzkontexts.


Orientierung und Hilfe (orientation and help)
Der Benutzer sieht zu jedem Zeitpunkt die Detailinformationen zu den ein-
zelnen Informationsobjekten. Dies ist zwar eine informative Darstellung, hat
jedoch wenig Flexibilit¨t um beispielsweise gr¨ßere Datenmengen anzuzei-
a o
gen und bei Bedarf Details zu expandieren. Longwell bietet ausserdem keine
direkte Unterst¨ tzung f¨ r Undo / Redo Aktionen. Der Benutzer kann ledig-
u u
lich durch Hinzuf¨ gen oder Entfernen von Suchbegriﬀen und Filterkriterien
u
den vorherigen Zustand wiederherstellen.


Navigation und Abfragen (navigation and querying)
Die Navigation und Abfrage von Daten ist eine der wesentlichen St¨rken
a

¨

von Faceted Browsing, wie es bei Longwell zur Anwendung kommt. Der Be-
nutzer ist in der Lage auf einfache Weise individuelle Abfragen zu erstellen.
Die Suchergebnisse werden dabei schrittweise verfeinert, bis das gew¨ nschte
u
Endergebnis vorliegt. Der Benutzer kann ausserdem ausgehend von den dar-
gestellten Elementen gezielt Eigenschaften und Objekte n¨her untersuchen
a
und dabei seinen Standpunkt ver¨ndern.
a


Reduktion des Datenbestands (data set reduction)
Das Filtern von Daten auf Basis von Faceted Navigation ist ¨ußerst intuitiv
a
und bietet dem Benutzer besonders vielseitige M¨glichkeiten den Datenbe-
o
stand nach seinen W¨ nschen zu reduzieren. Die einzelnen Auspr¨gungen
u a
der Facetten (Facets) stellen Cluster dar, was bedeutet, dass auch Cluste-
ring unterst¨ tzt wird, wenn dies auch nicht direkt in der Ergebnisdarstellung
u
geschieht.


Datenerkundung (data exploration)
Der Longwell RDF Browser wurde speziell f¨ r große Datenmengen ent-
u
wickelt, die vom Benutzer untersucht werden k¨nnen. Auch ohne Kennt-
o
nisse uber das zugrunde liegende Datenmodell zu haben, kann der Benutzer,
¨
ausgehend vom gesamten Datenbestand, den Informationsbereich erkunden.
Beginnend bei einer initialen Suchanfrage kann er sich mittels Faceted Brow-
sing weiterbewegen und erh¨lt vom Werkzeug st¨ndig Hinweise bez¨ glich des
a a u
zugrunde liegenden Datenbestands und dessen Struktur.


¨

5.2.2 Bewertungstabelle

Tabelle 5.2: Bewertung des SIMILE Longwell RDF Browsers

Kriterium Gewichtung Bewertung
a
Aussagekraft (expressiveness) 25 % 3/3
a 25 % 3/3
a 5,56 % 3/3
a 5,56 % 2/3
Informationscodierung (information coding) 5,56 % 0/3
Beziehungen (relations) 5,56 % 1/3
¨
Ubergang (state transition) 5,56 % 1/3
Interface Usability
Orientierung und Hilfe (orientation and help) 5,56 % 1/3
Navigation und Abfragen (navigation and querying) 5,56 % 3/3
Reduktion des Datenbestands (data set reduction) 5,56 % 3/3
Datenerkundung (data exploration) 5,56 % 3/3
Gesamt 100 % 2,44/3

5.2.3 Fazit
Anders als graphische Werkzeuge eignet sich Longwell vor allem zur Informa-
tionssuche in großen, strukturierten Datenbest¨nden. Durch die Anwendung
a
von Faceted Navigation ergeben vielseitige M¨glichkeiten zur Erkundung
o
von Datenmaterial und dem Auﬃnden von relevanten Informationen. Im
Gegensatz zu den meisten graphischen Werkzeugen ist das Ergebnis keine
abstrahierte Veranschaulichung von Datenmaterial, sondern ausschließlich
das Finden von Informationen.

5.3 Zusammenfassung
Mit Aduna AutoFocus und dem Longwell RDF Browser wurden zwei be-
kannte Werkzeuge zur Informationsvisualisierung vorgestellt. Obwohl die ge-
nannten Werkzeuge verschiedene Ans¨tze verfolgen (graphisch vs. textuell)
a
konnten beide ein ausgesprochen gutes Ergebnis bei der Bewertung errei-
chen. Durch die Wahl zweier derart unterschiedlichen Werkzeuge konnte

¨

ausserdem die erfolgreiche Anwendung des Kriterienkatalogs unter abwei-
chenden Voraussetzungen veranschaulicht werden.

Kapitel 6

Schlussbetrachtung

6.1 Ergebnisse
Die Technologien des Semantic Web stellen f¨ r das Wissensmanagement
u
ein ernormes Potential dar. Immer hüfiger wollen Unternehmen und Bil-
a
dungseinrichtungen diese Chance nutzen und mit Hilfe dieser neuen Art der
Datenrepr¨sentation Wissensnetzwerke schaffen.
a
Damit dieses Vorhaben zum Erfolg f¨ hrt, muss ein besonders leichter
u
Zugang f¨ r eine breite Nutzerschicht erm¨glicht werden. Da die Kerntech-
u o
nologien des Semantic Web komplexe Strukturen aufweisen und der Umgang
auf dieser Ebene Spezialisten vorbehalten bleibt, sind Werkzeuge erforder-
lich, die Benutzern aus verschiedenen T¨tigkeitsbereichen die t¨gliche Arbeit
a a
mit diesen neuartigen Wissensnetzwerken erm¨glicht.
o
Personen, die mit der Entwicklung und Betreuung dieser Systeme be-
traut sind, stehen vor der Aufgabe, die richtigen Werkzeuge f¨ r individuelle
u
Problemstellungen auszuw¨hlen. Werkzeuge zur Visualisierung von Infor-
a
mationen nehmen dabei eine wesentliche Rolle ein. Der aus dieser Arbeit
resultierende Kriterienkatalog kann dazu verwendet werden, um Werkzeuge
hinsichtlich ihrer Eignung f¨ r bestimmte Anwendungsgebiete zu bewerten.
u
Es ist gelungen wesentliche Kriterien zu finden, anhand derer eine Bewer-
tung m¨glich ist. Dabei wurde auf bestehende Kriterienkataloge zur Beur-
o
teilung von Techniken zur Informationsvisualisierung zur¨ ckgegriffen. Diese
u
wurden erg¨nzt und unter dem Blickwinkel der Anwendung im Semantic
a
Web betrachtet. Die einzelnen Kriterien beschreiben dabei unterschiedliche
Gesichtspunkte nach denen ein Visualisierungswerkzeug bewertet werden
kann. Da sich einzelne Eigenschaften verschieden stark auf die Eignung ei-
nes Werkzeugs auswirken, muss eine Gewichtung erfolgen. Die Aussagekraft
und Effektivit¨t einer Visualisierung werden beispielsweise besonders hoch
a
gewichtet, da dadurch im Wesentlichen die Eignung zur Interpretation durch
den Benutzer festgelegt wird. Eine individuelle Gewichtung ist jedoch f¨ r un-
u
terschiedliche Problemstellungen unbedingt erforderlich, um m¨glichst aus-
o

46

KAPITEL 6. SCHLUSSBETRACHTUNG 47

sagekr¨ftige Ergebnisse bei der Bewertung erzielen zu k¨nnen. Es wurde die
a o
Vorgehensweise bei der Bewertung beschrieben und eine Bewertungsskala
eingef¨ hrt, die bei der Evaluierung herangezogen werden kann.
u
Um die Anwendung des Kriterienkatalogs zu demonstrieren wurden zwei
Werkzeuge exemplarisch untersucht und hinsichtlich ihrer Eignung f¨ r das
u
Semantic Web bewertet. Dabei wurde sowohl ein graphisches Visualisierung-
werkzeug (Aduna AutoFocus), das auf der Darstellung von Cluster Maps
basiert, als auch ein rein textbasiertes Tool (SIMILE Longwell) n¨her ana-
a
lysiert.
Anhand dieser konkreten Beispiele wurde verdeutlicht, dass f¨ r verschie-
u
dene Problemstellungen durch den Einsatz differenzierter Technologien und
Vorgehensweisen hervorragende Ergebnisse erzielt werden k¨nnen.
o

6.2 Ausblick
Das Semantic Web ist derzeit ein üßerst lebendiges Thema. War die An-
a
wendung dieser Technologien vor einigen Jahren noch vorwiegend im akade-
mischen Bereichen angesiedelt, so werden semantische Netzwerke nun immer
hüfiger in unterschiedlichsten Bereichen f¨ r das Wissensmanagement ein-
a u
gesetzt. Die Entwicklung von geeigneten Werkzeugen schreitet voran und
das Semantic Web r¨ ckt immer n¨her an den Endbenutzer. Noch h¨lt sich
u a a
die Verbreitung in Grenzen, jedoch k¨nnte sich dies in den n¨chsten Jahren
o a
schnell ¨ndern. Das Semantic Web k¨nnte unter dem Namen “Web 3.0” eine
a o
neue Generation von Anwendungen einlüten. Aktuelle Projekte wie Free-
a
base1 , eine f¨ r jeden zug¨ngliche Online-Wissensdatenbank, sowie Twine2 ,
u a
einer Plattform f¨ r neuartige Formen des Informationsaustausches, k¨nnten
u o
dazu beitragen, dass in Zukunft ¨fter vom “Semantic Web” gesprochen wird.
o

1
http://www.freebase.com
2
http://www.twine.com

Literaturverzeichnis

[1] Ben´dicte Le Grand, M. S.: Topic Maps, RDF Graphs, and Onto-
´ e
logies Visualization, 2006.

[2] Christiaan Fluit, Marta Sabou, F. v. H.: Ontology-Based Infor-
mation Visualization: Toward Semantic Web Applications, 2006.

[3] Edlinger, K.: Informationsvisualisierung im Wissensmanagement -
Eine Analyse unterschiedlicher Visualisierungstechniken auf ihre Eig-
nung f¨r das Wissensmanagement.
u URL, http://eprints.rclis.org/
archive/00006756/01/AC05381340.pdf, 2006.

[4] Fenton, N. E. und S. L. Pfleeger: Software Metrics: A Rigorous
and Practical Approach, 1996.

[5] Freitas, C. M. D. S., P. R. G. Luzzardi, R. A. Cava, M. A. A.
Winckler, M. S. Pimenta und L. P. Nedel: Evaluating Usability
of Information Visualization Techniques.

[6] Fruchterman, T. M. J. und E. M. Reingold: Graph Drawing
by Force-directed Placement. Software - Practice and Experience,
21(11):1129–1164, 1991.

[7] Grigoris Antoniou, F. v. H.: A Semantic Web Primer. The MIT
Press, Reading, 2004.

[8] J. Bieri A. L. Atkins, S. Briar, e. a.: Clinical and social judgment:
the discrimination of behavioural information, 2006.

[9] Kleske, J.: Wissensarbeit mit Social Software, 2006.

[10] Mackinlay, J.: Automating the design of graphical presentations of
relational information. ACM Trans. Graph., 5, 1986.

[11] May, W.: Semantic Web - Wege zur vernetzten Wissensgesellschaft,
Kap. Reasoning im und f¨ r das Semantic Web. Pelligrini u. Blumauer,
u
Springer, 2006.

[12] Ranganathan, S. R.: Colon Classiﬁcation, 7th edition, 1987.

48

LITERATURVERZEICHNIS 49

[13] Shneiderman, B.: Tree visualization with tree-maps: 2-d space-ﬁlling
approach. ACM Trans. Graph., 11(1):92–99, 1992.

[14] Shneiderman, B.: The Eyes Have It: A Task by Data Type Taxonomy
for Information Visualizations. Techn. Ber. CS-TR-3665, University of
Maryland, Department of Computer Science, July 1996.

[15] Tim Berners-Lee, James Hendler, O. L.: The Seman-
tic Web. URL, http://www.sciam.com/article.cfm?articleID=
00048144-10D2-1C70-84A9809EC588EF21, May 2001.

Abbildungsverzeichnis

2.1 RDFGraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.1 Clustermap . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 TreeMap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 ElasticLists . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 HyperbolicTree . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5 3DTree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.6 IsaViz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.7 FDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

5.1 AutoFocus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2 Longwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

50

Informationsvisualisierung Im Semantic Web1

Weitere ähnliche Inhalte

Was ist angesagt? (20)

Andere mochten auch (20)

Informationsvisualisierung Im Semantic Web1