Read on Twitter
Como si se tratase de los últimos 100m en un 4x400, le cojo el testigo a @MariaPovedaV para explicar brevemente como hemos construido y publicado el #KnowledgeGraph de #Drugs4Covid en #VenceAlVirus @oeg_upm 
Let's go!
https://twitter.com/MariaPovedaV/status/1246461406200967169
Let's go!
https://twitter.com/MariaPovedaV/status/1246461406200967169
Inputs:
Una maravillosa ontología a la que debemos ser fiel 
Un par de Apache Solr dónde se han ido almacenando las anotaciones de papers y artículos 
Requisitos en el pipeline:
Reproducible
Flexible (datos cambiando continuamente)
Rápido
Una maravillosa ontología a la que debemos ser fiel Un par de Apache Solr dónde se han ido almacenando las anotaciones de papers y artículos Requisitos en el pipeline:
Reproducible Flexible (datos cambiando continuamente) Rápido
Y esto es lo que nos ha salido:
Reproducibilidad --> @rml_io mappings!
Flexible --> utilizamos #yarrrml para poder cambiar las reglas fácilmente (tanto de las fuentes como de la ontología)
Rápido --> SDM-RDFizer con CSVs, por supuesto!
Reproducibilidad --> @rml_io mappings!
Flexible --> utilizamos #yarrrml para poder cambiar las reglas fácilmente (tanto de las fuentes como de la ontología)
Rápido --> SDM-RDFizer con CSVs, por supuesto!
Y finalmente algunos resultados de performance
Descarga de Solr = ~15 min (~2Gb de CSV)
Normalización = ~10 min
Generación del RDF = ~7 min
Carga < 1 min
Es decir, generamos el #KnowledgeGraph < 30 min
Y todo subido a un SPARQL endpoint listo! Gracias @_aieme @oeg_upm
Descarga de Solr = ~15 min (~2Gb de CSV)Normalización = ~10 minGeneración del RDF = ~7 minCarga < 1 min Es decir, generamos el #KnowledgeGraph < 30 min
Y todo subido a un SPARQL endpoint listo! Gracias @_aieme @oeg_upm
