Pesquisa de Doutorado da Veronica

Artigo 1 - Improving Hyper-Relational Knowledge Graph Completion Hyper-relational KGs (HKGs) go beyond conventional KGs by representing facts with more complex semantic information, e.g., using relation-entity pairs as the qualifiers of triplets. The combination of a triplet and its qualifiers together is called a statement. In a hyper-relational KG G H , we denote the set of entities and relations as V and R respectively. The total number of entities is N and the number of relations is M. The edge connecting them, which we call a statement (or fact), is expressed in the domain V × R × V × P ( R × V ) where P denotes the power set.  It’s usually written as (mh,mr,mt, Q) where (mh,mr,mt) is the main triplet of the statement containing head entity mh ∈ V , relation mr ∈ R and tail entity mt ∈ V respectively. Q is the set of qualifiers consisting n relation-entity pairs {(qri, qei)} n i=1 where qri ∈ R and qei ∈ V .  (mh,mr,mt, {(qri, qei)} ) Artigo 2 - Beyond Triplets: Hyper-

 Apresentação da disciplina de Big Data do Casanova - grupo sobre Grafos Clusterização dos nós do grafo para identificação de comunidades, técnicas de clusterização tradicional não são adequadas. Grafos de redes sociais tem um conjunto de entidades com um ou mais tipos (Pessoas, Organizações) que formam os nós e relações entre os nós que podem ser direcionais (A segue B) ou bidirecionais (A é amigo de B e B é amigo de A) e rotuladas que formam os arcos (ou arestas). Os k tipos de nós podem formar k conjuntos disjuntos em um grafo k-partido.  A formação de comunidades pode se dar por nós do mesmo tipo que compartilham Interesses Comuns (curtiram ou seguem a mesma página, amigos em comum, etc ...). Em caso de grafos de redes de Colaboração Científica as comunidades podem ser formadas por Autores que publicam artigos de um tópico em particular ou por Publicações sobre um tópico em particular. Medidas de similaridade são necessárias para identificação de clusters. Algoritmo de Girva

Material -> http://web.stanford.edu/class/cs224w/ Playlist -> https://www.youtube.com/watch?v=JAB_plj2rbA&list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn  A operação de projeção permite separar um grafo bipartido U-V em dois subgrafos U e V Os autores 1, 2 e 3 tem arestas entre eles em U pq os 3 tinham arestas ligando a publicação A em U-V. O grafo U é um grafo de co-autoria.  As publicações B, C, D possuem arestas entre elas pq os 3 tem o autor 5 em comum.  Most real-world networks are sparse Consequence: Adjacency  matrix is filled with zeros! => Adjacency list Def: Induced subgraph is another graph,  formed from a subset  of vertices  and all of the edges connecting  the vertices in that subset. Def: Graph Isomorphism: Two graphs  which  contain the same number of nodes connected  in the same way are said to be isomorphic. Graphlets: Rooted connected induced non-isomorphic subgraphs Kernel: ML para predição a nível do grafo (e não nó ou arestas) K (G, G') mede a similaridad