Pular para o conteúdo principal

Tentativa de Problem Statement

Problem Statement

Dada uma base de conhecimento do tipo semantic network, o objetivo é dar a "melhor resposta" para uma consulta, ou seja, recuperar um conjunto de afirmações contextualizadas que possam atender a uma necessidade de informação para tomada de decisão.

Dada uma instância de KG hiper relacional, o objetivo é dar a "melhor resposta" para uma consulta, ou seja, recuperar um conjunto de afirmações contextualizadas que possam atender a uma necessidade de informação para tomada de decisão.

Definição de "melhor resposta"

A "melhor resposta" pode ser classificada em: 

  1. não-resposta, quando o KB não contém afirmações sobre o assunto da consulta; 
  2. resposta exata, quando o KB contém a resposta para a consulta em linguagem natural no contexto da tarefa de busca; 
  3. resposta possível, quando o KB contém a consulta em linguagem natural ou a tarefa de busca e 
  4. respostas aproximadas, quando o KB não contém a consulta em linguagem natural e nem tarefa de busca mas contém afirmações sobre o assunto da consulta.

Como responder a "melhor resposta"


Como preparar o KB para dar a "melhor resposta"




 

 

 

Comentários

  1. Sergio Lif10 de maio de 2022 às 19:48

    Veronica, vamos lá:

    (1) no inicio tem dois paragrafos quase que repetidos MAS que ainda "pecam" pois há suposição de que tudo está definido. Exemplo, uma "KB tipo semantic network"

    (2) gostei dos diagramas e da tentativa de definir a "melhor resposta". Bem legal mesmo! Mas vou querer ver um de cada vez com tuas explicações ao lado. De novo ainda quero ter certeza que sei o que é um KG vs um KB

    (3) O melhor mesmo é o como preparar ... isso é MUITO legal!

    ResponderExcluir
  2. Veronica dos Santos10 de maio de 2022 às 20:16

    Ou seja, KGs não são um modelo de dados com estrutura e linguagem e sim bases de conhecimento (Knowledge Bases - KB) [Weikum 2021] do tipo semantic networks representadas através de modelos de dados de grafos existentes. Aqui se faz necessário ressaltar que a definição de conhecimento não implica em ação, ou seja, não corresponde à definição de Charles S. Peirce que estabeleceu que conhecimento é uma informação em que se acredita o suficiente para tomada de decisão (act in) [Bergman 2018]. KB foram definidas dentro do campo de estudo de Knowledge Representation (KR) como uma coleção de estruturas simbólicas usadas para representar proposições acreditadas (crenças) por algum suposto agente. No caso das semantic networks essas proposições são modeladas como um grafo. Um KB não representa todas as proposições acreditadas por esse agente, sendo por natureza incompleto, porém o conjunto de proposições pode ser usado para gerar novas proposições.

    KG podem representar crenças e afirmações justificadas de diferentes agentes, ainda assim são incompletos, e também possuem a capacidade de geração de novo conhecimento, ou seja, KGs são capazes de utilizar reasoners e redes neurais para deduzir relacionamentos implícitos entre nós originalmente isolados, completando o próprio KG [Arenas et al 2021].

    ResponderExcluir
  3. Veronica dos Santos15 de maio de 2022 às 14:58

    Problema/Hipótese de Pesquisa

    Dada uma necessidade de informação orientada a tarefa e expressa em uma consulta em linguagem natural, é possível recuperar a melhor resposta para esta consulta composta por um conjunto de afirmações contextualizadas?

    Proposta de Solução

    - Utilizar técnicas de NLP e ML para calcular a similaridade semântica entre uma consulta em linguagem natural e as perguntas, tarefas e as afirmações contextualizadas representadas em um KG hiper relacional para identificar a melhor resposta.
    - Utilizar word embeddings e Topic modelling para enriquecer o KG
    - Utilizar o log de consultas e métricas do resultado das buscas para guiar o processo de Engenharia do KG

    Objetivo de Pesquisa

    A partir de uma consulta em linguagem natural e uma KB composta por um conjunto de afirmações contextualizadas, avaliar se a aplicação da proposta de solução permite recuperar a melhor resposta para atender a uma necessidade de informação.

    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

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

KnOD 2021

Beyond Facts: Online Discourse and Knowledge Graphs A preface to the proceedings of the 1st International Workshop on Knowledge Graphs for Online Discourse Analysis (KnOD 2021, co-located with TheWebConf’21) https://ceur-ws.org/Vol-2877/preface.pdf https://knod2021.wordpress.com/   ABSTRACT Expressing opinions and interacting with others on the Web has led to the production of an abundance of online discourse data, such as claims and viewpoints on controversial topics, their sources and contexts . This data constitutes a valuable source of insights for studies into misinformation spread, bias reinforcement, echo chambers or political agenda setting. While knowledge graphs promise to provide the key to a Web of structured information, they are mainly focused on facts without keeping track of the diversity, connection or temporal evolution of online discourse data. As opposed to facts, claims are inherently more complex. Their interpretation strongly depends on the context and a vari...
2 comentários
Leia mais