Pular para o conteúdo principal

WD Property constraints x Identificação do Contexto das Alegações

Análise para o artigo

1 - Qtas propriedades tem restrições (do nosso tipo de interesse) formuladas, e quais os percentuais em relação ao total de predicados isto corresponde.Tb incluir Qtos statements (claims) envolvem estas propriedades

363 propriedades com required qualifier (311 obrigatórias e 63 sugeridas) 

22,832,759 Statements (do total de 559,038,971 ) associados a  propriedades com required qualifier (17,934,765 obrigatórias e 7,824,405 sugeridas)

1.a - Top K propriedades q tem restrições, em numero de claims 

Ainda estou calculando
 
2 - Quais (Quantos) os qualificadores das restrições em 1.
 
104 qualificadores associados a propriedades com required qualifier (94 obrigatórias e 29 sugeridas) 
 
2.a - Top K qualificadores de 2, em numero de statements
 
Ainda estou calculando
 
Isto nos dará uma indicação de quão representativa/abrangente é a abordagem “bottom up” para definir as propriedades que formam contextos
 
Bottom no sentido do esquema existente para mapear no CKG, certo?
 
Feito isto, podemos avaliar quão eficazes são estas restrições, na prática. Para isto, incluímos as estatísticas de violação de constraints (do nosso tipo de interesse), tanto no total qto para as propriedades multiple valued - total, %em rel ao total e em rel. a categoria multiple valued, mandatório x sugested, as top K restrições violadas e os top K qualificadores presentes nestas restrições.
 
Estas já temos na planilha para a constraint de required qualifier. 
Ainda estou tentando gerar para a constraint allowed qualifier.  
 
Pelo que entendi na planilha todos os percentuais são bem baixos, o que me leva a concluir que o mecanismo de restrições, como está atualmente, n funciona como seria o desejável. 

O percentual de predicados com restrições de required qualifier é baixo (por volta de 4%).
 
Portanto, teríamos tb um argumento para a necessidade/adequação de permitir especificação manual (pelo engenheiro de conhecimento) em adição às propriedades extraídas automaticamente.
Para tanto, precisamos de alguns exemplos de multiple valued properties que não tem restrição, mas semanticamente deveriam ter contexto
 
Exemplos
 
https://kgtk.isi.edu/browser/Q7604786
https://kgtk.isi.edu/browser/Q11523819
 
"applies to jurisdiction" (P1001) possuem instâncias com qualificadores temporais start time e end time mas não possui constraints de required qualifier e nem allowed qualifier. 
 
Aqui também poderia ser Bottom-Up no sentido das instâncias do KG para mapear no CKG, certo?

Comentários

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