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

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

Embedding Logical Queries on Knowledge Graphs - Leitura de Artigo

William L. Hamilton, Payal Bajaj, Marinka Zitnik, Dan Jurafsky, Jure Leskovec: Embedding Logical Queries on Knowledge Graphs . NeurIPS 2018: 2030-2041 Abstract Learning low-dimensional embeddings of knowledge graphs is a powerful approach used to predict unobserved or missing edges between entities. However, an open challenge in this area is developing techniques that can go beyond simple edge prediction and handle more complex logical queries, which might involve multiple unobserved edges, entities, and variables. [ Link Prediction é a tarefa mais comum em GRL, é uma query do tipo <s, p, ?o> ou <s, ?p, o> ou <?s, p, o>, ou seja, Look up ou Existe <s, p, o> (ASK) ] For instance, given an incomplete biological knowledge graph, we might want to predict what drugs are likely to target proteins involved with both diseases X and Y? —a query that requires reasoning about all possible proteins that might interact with diseases X and Y. [ Query conjuntiva, BGP com join ...
Postar um comentário
Leia mais

Knowledge Graphs as a source of trust for LLM-powered enterprise question answering - Leitura de Artigo

J. Sequeda, D. Allemang and B. Jacob, Knowledge Graphs as a source of trust for LLM-powered enterprise question answering, Web Semantics: Science, Services and Agents on the World Wide Web (2025), doi: https://doi.org/10.1016/j.websem.2024.100858. 1. Introduction These question answering systems that enable to chat with your structured data hold tremendous potential for transforming the way self service and data-driven decision making is executed within enterprises. Self service and data-driven decision making in organizations today is largly made through Business Intelligence (BI) and analytics reporting. Data teams gather the original data, integrate the data, build a SQL data warehouse (i.e. star schemas), and create BI dashboards and reports that are then used by business users and analysts to answer specific questions (i.e. metrics, KPIs) and make decisions. The bottleneck of this approach is that business users are only able to answer questions given the views of existing dashboa...
Postar um comentário
Leia mais