Pular para o conteúdo principal

Lattes2Wikidata - Busca Textual por propriedades

Problema: mapear elementos e atributos do XML Schema (XSD) do Lattes respectivamente em Itens (Q nodes) e Propriedades (P nodes) da Wikidata

Dificuldade 1

Wikidata não tem Full Text Search por nome da propriedade, somente por nome de entidade (EntitySearch)

https://www.mediawiki.org/wiki/Wikidata_Query_Service/User_Manual/MWAPI

Solução de contorno

Baixar a lista de propriedades e realizar a busca localmente

A seguinte query foi executada no WQS e o resultado exportado em um arquivo TSV

SELECT ?property ?propertyType ?propertyLabel ?propertyDescription ?propertyAltLabel ?propertyOf ?propertyOfLabel ?propertyOfDescription WHERE { ?property wikibase:propertyType ?propertyType . optional {?propertyOf wdt:P1963 ?property} .

SERVICE wikibase:label { bd:serviceParam wikibase:language "pt-br, pt, en". } } ORDER BY ASC(xsd:integer(STRAFTER(STR(?property), 'P')))

Além das propriedades em si, recuperei os itens onde essas propriedades são usadas para descrever entidades dessa classe / tipo

P1963: quando este sujeito é usado como objeto de "instância de", as seguintes propriedades geralmente se aplicam

 A minha primeira tentativa vai ser importar o TSV no pandas e fazer a busca do rótulo dos elementos e atributos do Lattes usando o jupyter notebook

Marcadores:

Comentários

  1. Veronica dos Santos29 de junho de 2021 às 16:00

    Acabei fazendo a busca local no arquivo sem usar outro recurso de indexação.

    ResponderExcluir
  2. Veronica dos Santos17 de setembro de 2023 às 16:12

    Usando o kgtk query e o dump do ISI seria possível refazer este mapeamento localizando as propriedades (PNodes) pelos alias

    ResponderExcluir

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...
3 comentários
Leia mais

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...
Postar um comentário
Leia mais

KnOD 2021

Beyond Facts: Online Discourse and Knowledge Graphs A preface to the proceedings of the 1st International Workshop on Knowledge Graphs for Online Discourse Analysis (KnOD 2021, co-located with TheWebConf’21) https://ceur-ws.org/Vol-2877/preface.pdf https://knod2021.wordpress.com/   ABSTRACT Expressing opinions and interacting with others on the Web has led to the production of an abundance of online discourse data, such as claims and viewpoints on controversial topics, their sources and contexts . This data constitutes a valuable source of insights for studies into misinformation spread, bias reinforcement, echo chambers or political agenda setting. While knowledge graphs promise to provide the key to a Web of structured information, they are mainly focused on facts without keeping track of the diversity, connection or temporal evolution of online discourse data. As opposed to facts, claims are inherently more complex. Their interpretation strongly depends on the context and a vari...
2 comentários
Leia mais