Pular para o conteúdo principal

CS 520 - Knowledge Graphs - Spring 2021 - Seminário 21

CS 520 - Knowledge Graphs - Spring 2021 - Seminário 19

Link para o vídeo -> https://youtu.be/FWs2RNx-d6Q

What are some research issues on Knowledge Graphs?

Prof James Hendler - KG Semantics


Interoperabilidade: hiperlinks não eram o suficiente

Movimentos de abertura de dados por volta de 2010 e a criação da Linked Open Data cloud - 300 open data sets com 40 bilhões de fatos interligados por 500 milhões de links "tipados" -> interoperabilidade de dados mais do que aplicações

Aumento do uso de dados não estruturados
KG não formam silos e KGs abertos suportados pela Wikidata ou outros

Vocabulários usados com frequência: Schema.org, Wikidata, DBpedia, ... e devem idealmente estar alinhados tanto em conceitos quanto em instâncias (URI1 owl:sameAs URI2)

Modelo RDF  .... <s, p, o> onde todos os 3 elementos podem ser URI

Property Graph não seriam interoperáveis pq não fazem uso de URI

Interoperalidade de KG: definir padrões de acesso do KG aos BDs,

Projeto SHOE (1996) - Simple HTML Ontology Extension

SHOE is a small extension to HTML which allows web page authors to annotate their web documents with machine-readable knowledge. SHOE makes real intelligent agent software on the web possible.

http://www.cs.umd.edu/projects/plus/SHOE/

Schema.org está bastante disseminado em páginas Web (bilhões de páginas) e foi criado a partir das buscas mais frequentes via Yahoo, Google. Quem segue a linha "lógica" não chamaria de Ontologia ... mas contribuiu muito para a construção do Google Knowledge Graph. Está longe de ser completo para modelar muitos conceitos mas segue a abordagem "o ótimo é inimigo do bom"

Prof Lenat - KG++

Cyc (1984-2021) e seus "erros & lições aprendidas" ao longo do tempo

Representar uma enciclopédia quando na realidade deveria representar o que não está nela, o que se assume que todos sabem (senso comum)

Focar em Upper Ontology fizeram gastar muito esforço

The most general categories, on top of the hierarchy, can be shared by different domains. An upper-level ontology is an ontology that defines these most general categories. The main application of upper level ontologies is to provide semantic interoperability of ontologies across multiple domains. Because upper level ontologies provide general concepts which are common to all domains, they can provide a common ontological foundation for domain ontologies.

Ser humano sabe lidar com ambiguidade, máquina não logo é necessário reduzir a ambiguidade

Muitas variações na linguagem natural para expressar a mesma coisa assim como a mesma expressão pode ter vários significados ... escolher o que seria relevante para ser representado

Equilibrar expressividade e eficiência (trade off)

1984: Frames e Slots

Aridade dos relacionamentos, por exemplo, costumam ser mais que 2 (binário) para representar conceitos complexos por isso requer representações mais expressivas

Transitividade entre subclasses e instâncias nem sempre é válida

1989: Frames > RDF > ... > HOL (High Order Logic)

Duas linguagens de representação: separar o problema epistemológico (EL) do problema heurístico (HL) para não ser guiado pelo trade off

Demo do Cyc com perguntas, respostas e as explicações (triplas) para as respostas

OpenCyc : upper e intermediate ontology valem a pena ser compartilhadas com o respectivo contexto

A verdade depende do contexto, nada é 100% verdadeiro 

... apresentação corrida !!! .... 

Discussão / Perguntas

Pq grandes empresas compartilhariam os seus KGs e se interessariam pela interoperabilidade? Pq se os pequenos adotarem a interoperabilidade isso acaba ocupando uma parcelo razoável do mercado (cauda longa)

Possibilidade de remunerarem as pessoas por contribuírem para o KG a medida que tecnologias em KG começarem a ser usadas por aplicações

No momento, experimentações em KG seriam mais interessantes do que padrões



Comentários

  1. Essa ideia de remunerar é bem interessante. Ao mesmo tempo a Wikipedia pede colaboração $$$ dos usuários.

    ResponderExcluir

Postar um comentário

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

Postagens mais visitadas deste blog

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 ...

Defesa de Doutorado de Grettel Monteagudo Garcia

A última atividade presencial que fiz na PUC-Rio foi assistir a defesa de tese da Grettel Monteagudo Garcia , em 13/03/2020 (uma sexta-feira 13 !!!!). O título da tese é “ A Keyword-based Query Processing Method for Datasets with Schemas ” e me interessou por causa do projeto do NIMA. A proposta parte do cenário onde usuários possam consultar dados, armazenados em bancos de dados relacionais e TripleStores, de maneira semelhante ao Google, ou seja, digitando palavras-chave, e deixando para o sistema recuperar os dados que melhor correspondem ao conjunto de palavras-chave.  Na tese estão descritos um algoritmo e um framework projetados para processar consultas baseadas em palavras-chave para bases de dados com esquema, especificamente bancos relacionais e bases de dados em RDF. A primeira etapa do algoritmo é a conversão do conjunto de palavras chaves em uma consulta abstrata explorando um esquema abstrato . Nesta etapa o principal desafio é achar onde a informação está (os matches...

Metodologia Científica II - continuação

No primeiro post  foram detalhados os 6 primeiros vídeos do canal do Youtube do professor Eduardo Ogasawara do CEFET/RJ   Mais 3 vídeos foram disponibilizados e estão comentados a seguir: Gráficos, Figuras e Tabelas (33 minutos) - como apresentar os resultados das avaliações experimentais. Gráficos: associar análises dos resultados a cada gráfico apresentado, problemas comuns na montagem de gráficos (não usar todo eixo X ou Y, não usar área útil com uma escala adequada a ver o comportamento dos números, não marcar os pontos de observação da série, inconsistência no uso de cores ), escala logarítmica x linear, eixo X para a variável independente e Y para a dependente (resposta), escrever boas legendas para os gráficos, observar se diferenças entre variáveis apresentadas em gráficos separados podem atrapalhar a interpretação dos resultados. Diagramas devem ser pensados de acordo com o propósito, trata-se de uma abstração e cada elemento deve ser explicado no texto, rótulos...