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:

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

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

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

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...
1 comentário
Leia mais