Pular para o conteúdo principal

Revisar o modelo CKG

- Como modelar grupos de propriedades associadas a uma dimensão do conhecimento, exemplo, inverse functional property 

Via Regras 
 
Os identificadores externos do WD são exemplos de inverse functional properties que estão vinculados ao dimensão de conhecimento Identidade. Na WD estes predicados são instâncias (P31) de Q19847637 (alguns estão associados e outros não). Para evitar ter que mapear um a um poderia ser usada uma regra
 
SE (?s, ?p, ?o) as ?e1 ^ (?p, P31, Q19847637) 
ENTÃO (Identity, RepresentedBy, ?p) as ?ci1 ^ (?ci1, Contextualizes, ?s)

Outros casos 

QX para propriedades de data type coordenada geográfica

SE (?s, ?p, ?o) as ?e1 ^ (?o, P31, QX) 
ENTÃO (Location, RepresentedBy, ?p) as ?cl1 ^ (?cl1, Contextualizes, ?s)
 
SE (?s, ?p, ?o) as ?e1 ^ (?e1, ?q, ?v) ^ (?v, P31, QX) 
ENTÃO (Location, RepresentedBy, ?q) as ?cl1 ^ (?cl1, Contextualizes, ?e1)
 
QX para propriedades de data type data/hora 
 
SE (?s, ?p, ?o) as ?e1 ^ (?o, P31, QX) .
ENTÃO (Temporal, RepresentedBy, ?p) as ?cl1 ^ (?cl1, Contextualizes, ?s)
 
SE (?s, ?p, ?o) as ?e1 ^ (?e1, ?q, ?v) ^ (?v, P31, QX) 
ENTÃO (Temporal, RepresentedBy, ?q) as ?cl1 ^ (?cl1, Contextualizes, ?e1)
 
QX para itens do tipo fontes de dados 
 
SE (?s, ?p, ?o) as ?e1 ^ (?o, P31, QX)
ENTÃO (Provenance, RepresentedBy, ?p) as ?cl1 ^ (?cl1, Contextualizes, ?s)
 
SE (?s, ?p, ?o) as ?e1 ^ (?e1, ?q, ?v) ^ (?v, P31, QX)
ENTÃO (Provenance, RepresentedBy, ?q) as ?cl1 ^ (?cl1, Contextualizes, ?e1)
 
PROV-O para predicados e qualificadores
 
SE (?s, ?p, ?o) as ?e1 ^ (?p, pertence, PROV-O)
ENTÃO (Provenance, RepresentedBy, ?p) as ?cl1 ^ (?cl1, Contextualizes, ?s)
 
SE (?s, ?p, ?o) as ?e1 ^ (?e1, ?q, ?v) ^ (?q, pertence, PROV-O)
ENTÃO (Provenance, RepresentedBy, ?q) as ?cl1 ^ (?cl1, Contextualizes, ?e1)
 
Via Modelagem  


Classe Predicate Family composta de um ou mais predicados pode ser associada a uma Context Dimension (classe pai ou filhas)

 - Como modelar predicados onde a dimensão contextual não é definida? 

Qualificadores em grafos hiper relacionais também podem ser usados para representar relações n-árias logo nem todos dizem respeito a contexto. 

1) Se a alegação possuir qualificadores que não correspondam a contexto do conhecimento, os qualificadores serão recuperados na melhor resposta mas não serão classificados como contexto do conhecimento.

Exemplo: 

  • Fulano estudou na UERJ e cursou Filosofia
  • "Fulano estudou na UERJ" é uma alegação ... "e cursou Filosofia" completa a alegação
S1     Fulano    Estudou na    UERJ   
Q1    S1    Cursou     Filosofia

É uma melhor resposta do tipo possível caso o usuário  não tenha especificado contexto na consulta

2) Se a alegação possuir qualificadores cuja dimensão contextual do conhecimento não é identificada mas se trata de contexto, os qualificadores serão recuperados e poderão classificados como contexto do conhecimento, na classe pai, caso tenham sido mapeados mas sem dimensão associada

  • Fulano cursou Filosofia na UERJ
  • "Fulano cursou Filosofia" é uma alegação ... "na UERJ" contextualiza a alegação

S2    Fulano    Cursou    Filosofia
Q2    S2    Estudou na    UERJ     CONTEXT

É uma melhor resposta do tipo possível caso o usuário  tenha especificado contexto na consulta

3) Se a alegação possuir qualificadores cuja dimensão contextual do conhecimento foi identificada, os qualificadores serão recuperados e serão classificados como contexto do conhecimento, na classe filha, da dimensão do conhecimento associada.

  • Fulano cursou Filosofia na UERJ
  • "Fulano cursou Filosofia" é uma alegação ... "na UERJ" contextualiza a LOCALIZAÇÃO da alegação
S2    Fulano    Cursou    Filosofia
Q2    S2    Estudou na    UERJ     CONTEXT LOCATION

É uma melhor resposta do tipo exata caso o usuário  tenha especificado contexto Location na consulta

- Remover a generalização/especialização de Dimensão Contextual


 No caso 2 do cenário anterior substituir Classe Pai por "Context Undefined"

- Modelo depois da reunião de 08/12/2022 com o Daniel




Comentários

  1. Veronica dos Santos8 de dezembro de 2022 às 10:58

    Para o item 1 não vamos usar Família de Predicados e sim as Regras Semânticas. Motivos: (1) a regra permite mais flexibilidade como por exemplo elencar listas ou exceções; (2) não podemos contar que o KG tenha um esquema que associe os predicados a suas famílias e, mesmo que tenha, este pode não ser completo (vide a própria WD); (3) ao incluir a família no modelo teríamos que testar para todas as respostas se o predicado OU a família é do tipo desejado e com regras estas só são testadas se forem especificadas.

    ResponderExcluir
  2. Veronica dos Santos8 de dezembro de 2022 às 11:01

    A opção de modelagem com os tipos de Knowledge Context (item 3) ao invés de Generalização/Especialização será adotada mas precisamos estabelecer em que pontos serão usados os tipos de Contexto. Já sabemos que na melhor resposta possível as entidades terão sempre os seu Contexto de Identidade acrescentado. Mas e os outros tipos?

    ResponderExcluir
  3. Veronica dos Santos8 de dezembro de 2022 às 11:03

    Nos estudos qualitativos devemos evitar críticas de interface. O objetivo é avaliar se as possibilidade de gerar a Melhor Resposta Possível estão contempladas pelo modelo do CKG e pela linguagem mas deixar quaçquer avaliação de interface para trabalhos futuros.

    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