Pular para o conteúdo principal

Reunião de Orientação - 04/01/2023

TO-DO  

1) Classe Disputed X (como território) possuem predicado 1310?

Levantar casos de "Disputed" no Label da Classe (não pode ser instância) com kypher

Levantar Disputed By com somente um valor

Seria um problema de modelagem se a semântica só estiver no rótulo

Sem qualificadores, envolvendo mais de um sexo declarado e cor/raça



2) Levantar Exemplo de população X séria histórica com kypher para contexto temporal

3) Elaborar análises sobre Restrições de Integridades (semântica desejada)

a) Dirigida ao modelo
Constraints na WD

Falta de constraints
>> Seria um problema de modelagem

b) Dirigida pelos dados
Inferir o Intencional a partir do Extensional (raciocínio de abdução)
Se 80% da propriedade é valor único
Se 80% da propriedade tem qualificador

Esta é a página do relatório de Constraints violadas na WD -> https://www.wikidata.org/wiki/Wikidata:Database_reports/Constraint_violations/Summary

4) Elaborar Definições dos Conceitos da Tese

BEST POSSIBLE ANSWER
ou
BETTER POSSIBLE ANSWER

27/01 o Sérgio fará uma seminário e queria falar deste conceito

fazendo analogia com a OutterTuning

5) Análise dos Levantamentos

A) Alegações com contexto completo podem ter conflito pq o contexto não as diferencia "qualifica o suficiente"

B) Alegações com contexto INcompleto podem não ter conflito se a base for completada

Contexto INcompleto pode ser a total ausência de qualificador ou existência parcial deles

C) Alegações com contexto completo podem não ter conflito pq naturalmente permitem mais de um valor

D) Alegações SEM contexto podem ter conflito mesmo que elas não requeiram contexto

6) Análise Qualitativa para as TOP-X com relação a semântica

- Olhar a query que expressa a restrição do repositório do Daniel
caso da single value e identificar quais qualificadores se aplicam


Discussões

1)  Conhecimento EXTERNO ao KG

Situações onde não é possível especificar ou completar a query para chegar em um valor único
Não estariam representados na base no MOMENTO pq estão relacionados com a tarefa, infinidade de ações e infinidade de atores.

TODAS as possibilidades não estariam representados no KG (Incompletude)

Exemplo da Capital de Israel
Temporal: Corrente
Proveniência: Segundo a Entidade X

Mas e se houverem outros fatores para a decisão? A decisão é arbitrária e cabe ao agente que vai usar a informação para tomar a decisão

2) OWA x CWA

Estamos evidenciando a dificuldade de trabalhar em mundo aberto pq filosoficamente ele é sempre aberto e dadas as condições o que é melhor que se pode responder usando o KG

3) Similaridade de contexto

Raciocínio espacial  ou temporal
Proveniência: fontes diferentes mas que usam a mesma
Iplicação lógica
A similaridade pode se dar até fora da base (também ser EXTERNA)
 
Ver os artigos que o Herman indicou sobre operações com Ontologias de Contexto

4) Limitações Científicas ou meramente Tecnológicas

a) A instância do WD

Existem KGs com Governança e fechados X Crowdsourcing e abertos

No segundo caso nós temos acesso para explorar e também permitem a pluralidade de pontos de vista - Dual Open World Assumption

Mas o primeiro caso também esbarra neste mesmo problema porém a solução tende a ser outra, a priori e com alguma regra que faça sentido no ambiente Corporativo (decisão institucional)

b) KGTK

Trabalharemos com o modelo da WD como hiper relacional

O modelo do KGTK é multi nível para qualificação

A proveniência, por exemplo, não pode ser associada a qualificações: limitação da WD

5) O objetivo do Artigo X a Tese

O Artigo vai apontar para a minha pesquisa pq vai mostrar que dadas estss incongruências / incosistências / ..., que seriam comnuns em KGs que permitem a pluralidade de pontos de vista, é necessário criar uma abordagem de resposta contextualizada para a busca exploratória

Para a comunidade WD o estudo é de interesse pela Análise da Qualidade

Os resultados do levantamento permitirão criar os estudos de caso para a tese para avalair a melhor resposta possível podendo detectar incompletudes e sugerir ações posteriores

Comentários

Postagens mais visitadas deste blog

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s...

truth makers AND truth bearers - Palestra Giancarlo no SBBD

Dando uma googada https://iep.utm.edu/truth/ There are two commonly accepted constraints on truth and falsehood:     Every proposition is true or false.         [Law of the Excluded Middle.]     No proposition is both true and false.         [Law of Non-contradiction.] What is the difference between a truth-maker and a truth bearer? Truth-bearers are either true or false; truth-makers are not since, not being representations, they cannot be said to be true, nor can they be said to be false . That's a second difference. Truth-bearers are 'bipolar,' either true or false; truth-makers are 'unipolar': all of them obtain. What are considered truth bearers?   A variety of truth bearers are considered – statements, beliefs, claims, assumptions, hypotheses, propositions, sentences, and utterances . When I speak of a fact . . . I mean the kind of thing that makes a proposition true or false. (Russe...

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The...