Towards a Linked Open Data Cloud of language resources in the legal domain
Patricia Martín Chozas · 2018
The use of Semantic Web technologies is progressively increasing since they mean a great help for both machines and humans. In recent years, many institutions and companies are taking the leap to Semantic Web technologies, introducing Artificial Intelligence applications in their processes. In the same way, these organisations are opting for open data formats to publish their datasets, since it translates into a seamless exchange of information with other public or private institutions. In this scenario, Linked Data emerges as an effort to link related data and suggests best practices for exposing, sharing and actually connecting those pieces of data. Many resources from different domains -geography, life sciences, media, etc.- have been published and connected according to these recommendations, conforming what is known as the Linked Open Data cloud or LOD cloud. Within this cloud, a more specific group of linguistic datasets can be found, identified as the Linguistic Linked Open Data cloud (LLOD cloud). However, the legal domain is currently underrepresented in the LOD cloud, preventing legal experts from taking advantage of the benefits that interconnecting different types of resources can have. The work presented here is intended to identify open linguistic datasets of the legal domain -and create them in case they do not exist- and expose them as linked data to contribute to the LLOD cloud. The result of this work will also be part of a Legal Knowledge Graph, that is one of the main objectives of the ongoing project Lynx, a European innovation action to build smart compliance services for multilingual Europe. With the aim of contributing to the LLOD cloud with legal language resources, the steps proposed by established methodologies for the conversion of linguistic resources to linked data formats (RDF) have been duly followed. When no resources were available, legal language resources have been generated from scratch, extracting the terminology from legal corpora with automatic term extraction tools. This work also relied on Semantic Web models (SKOS, specifically) to convert the identified resources, and link them to other available resources in the LOD cloud. The result of this work has been a review of linguistic resources in the legal domain and of the models used to represent those resources in the Web of Data; a set of five terminologies published according to the linked data principles; some recommendations and adaptations in the methodology followed for the RDF conversion process; a preliminary evaluation of term extraction tools and data management tools; and the documentation of all identified and newly-created resources in a public data portal. Accordingly, the outcome of the whole process shapes a first approach to a Linguistic Legal Linked Open Data cloud that will be used to annotate, classify and translate the legal corpora contained in the Legal Knowledge Graph that will be generated in the Lynx project.---ABSTRACT---La aplicacion de tecnologias de la Web Semantica se esta extendiendo progresivamente, ya que representan una gran ayuda tanto para maquinas como para humanos. En los ultimos anos, muchas empresas e instituciones han dado el salto a la Web Semantica y han introducido la Inteligencia Artificial en su dia a dia. Del mismo modo, estas organizaciones han comenzado a publicar sus datos en formatos de datos abiertos, pues fomentan el intercambio de informacion entre otras instituciones. En este punto nacen los Datos Enlazados, una tecnologia que propone pautas adecuadas para exponer, compartir y conectar conjuntos de datos. Muchos recursos de diferentes dominios -geografia, ciencias, multimedia, etc.- ya se han publicado y enlazado mediante estas recomendaciones, y han dado lugar a una nube de Datos Abiertos Enlazados (LOD cloud, en ingles). Dentro de esta nube se encuentra otro conjunto especifico de datos linguisticos: Linguistic Linked Open Data cloud (LLOD). Sin embargo, el dominio juridico esta poco representado en dicha nube, lo que impide que los profesionales de este campo puedan aprovechar las ventajas de interconectar diferentes documentos entre si. Este trabajo se centra en identificar conjuntos de datos linguisticos abiertos del dominio juridico (y crearlos, si es necesario), para exponerlos como datos enlazados y contribuir asi al enriquecimiento de la LLOD. El resultado de este proceso formara parte del Grafo de Conocimiento Juridico desarrollado en el proyecto Lynx, que pretende ayudar a difundir la informacion juridica en la Union Europea. Con el objetivo de contribuir a la LLOD con recursos linguisticos juridicos, se han seguido metodologias establecidas para la conversion de recursos linguisticos a formatos de enlazado de datos (RDF). Si no se han encontrado recursos disponibles, se han generado desde cero mediante extraccion terminologica de corpus juridicos con herramientas automaticas de extraccion de terminos. Este trabajo tambien ha utilizado modelos de la Web Semantica (SKOS, en concreto) para convertir los recursos identificados y enlazarlos con otros disponibles en la LLOD. El resultado de este trabajo consiste en una evaluacion de los recursos linguisticos del dominio juridico disponibles actualmente; un analisis de los modelos utilizados para representar dichos recursos en la Web de Datos; varias recomendaciones oon de datos; una evaluacion preliminar de las herramientas de extraccion de terminos y de conversion a RDF; la documentacion de todos los recursos identificados y generados en un portal de datos publico; y un conjunto de cinco recursos linguisticos publicados segun los principios de los datos enlazados y conectados con otros recursos abiertos de la nube de datos enlazados. De esta forma, el producto de todo el proceso da forma a la primera version de la nube de Datos Linguisticos Enlazados del dominio juridico que se utilizara para anotar, clasificar y traducir los documentos juridicos que conforman el Grafo de Conocimiento Juridico que se creara en el proyecto Lynx.