Pular para o conteúdo principal

Lattes2Wikidata - Mapeamento de Elementos e Atributos - Grupo DADOS-GERAIS

Considerando os seguintes levantamentos:

Estrutura de Elementos do Lattes

Atributos e Domínios do Lattes

Na tabela abaixo está a primeira parte do mapeamento de atributos de elementos que pertencem ao grupo Dados Gerais (nível 1). É importante ressaltar que:

1) 79 atributos não tiverem uma propriedade PNode identificada. Nesses casos será usado o próprio nome do atributo na conversão

2) alguns atributos irão gerar mais de uma aresta uma vez que serão convertidos para o modelo de hiper relacional (com uso de qualificadores)

3) Usei o template abaixo para validar se a escolha das propriedades estava coerente

https://www.wikidata.org/wiki/Template:Person_properties

O próximo passo será escrever o programa python para transformar XML em KGTK dessa parte dos elementos e atributos.

Marcadores

Marcadores:

Comentários

  1. Veronica dos Santos5 de julho de 2021 às 14:57

    Ainda não comecei a codificação

    ResponderExcluir
    Respostas
    1. Veronica dos Santos13 de julho de 2021 às 11:27

      Já estou codificando e consegui gerar uma primeira versão e validar o formato com kgtk validate. Ainda existem muitos ajuste a serem feitos no processo de conversão da árvore XML no hiper-grafo KGTK

      Excluir

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

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s...
2 comentários
Leia mais

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The...
Postar um comentário
Leia mais