Pular para o conteúdo principal

Objetivos de Pesquisa - versão 1

Objetivos da Pesquisa

Definir uma medida de similaridade para responder perguntas do tipo: Quais  pesquisadores estão “mais próximos” do assunto  “X”?

Projetar uma solução que dada uma consulta com uma lista de palavras chaves recupere um conjunto de subgrafos correspondentes (ou mais próximos) a essa consulta limitado pelo contexto temático do buscador e ordenado por um esquema de pesos das propriedades do subgrafo.

Implementar uma solução flexível onde o contexto possa ser definido dinamicamente, ou seja, sem a necessidade de um filtro prévio da base de dados. A medida de similaridade deve ser parametrizável de acordo com o contexto da busca (tema) e aos critérios de ordenação das dimensões (propriedades) das entidades. A ordenação poderia ser global (única por esquema) ou local (de acordo com a consulta).

Avaliar a solução implementada através de experimentos com dados reais


 

Comentários

  1. Veronica dos Santos11 de agosto de 2021 às 10:08

    Qual é o problema de pesquisa? Pq é importante? Qual é a contribuição? Para quem é importante? O que pode ser feito para resolver o problema de pesquisa?

    ResponderExcluir
  2. Veronica dos Santos14 de novembro de 2021 às 18:35

    O contexto não é somente temático, pode ser temporal, geográfico, de proveniência, etc ...

    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

Knowledge Graph Embedding with Triple Context - Leitura de Abstract

  Jun Shi, Huan Gao, Guilin Qi, and Zhangquan Zhou. 2017. Knowledge Graph Embedding with Triple Context. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17). Association for Computing Machinery, New York, NY, USA, 2299–2302. https://doi.org/10.1145/3132847.3133119 ABSTRACT Knowledge graph embedding, which aims to represent entities and relations in vector spaces, has shown outstanding performance on a few knowledge graph completion tasks. Most existing methods are based on the assumption that a knowledge graph is a set of separate triples, ignoring rich graph features, i.e., structural information in the graph. In this paper, we take advantages of structures in knowledge graphs, especially local structures around a triple, which we refer to as triple context. We then propose a Triple-Context-based knowledge Embedding model (TCE). For each triple, two kinds of structure information are considered as its context in the graph; one is the out...
Postar um comentário
Leia mais