Pular para o conteúdo principal

Reunião Orientação -16 de Maior de 2023

Objetivo: apresentar como as operações da Álgebra de Ontologias Contextualizadas podem ser aplicáveis ou não ao CKG

Comentários

Reforçar que o usuário realiza a busca que temos interesse é dos casos onde o usuário a realiza com a intenção de executar uma tarefa e isto é influenciado por diferentes contextos. Tornar explícito que a intenção do usuário com a resposta depende do contexto mesmo que a consulta incompleta por hipótese não reflita esta intenção. 

Revisamos o paralelo (comparabilidade) entre as definições de CO e CKG apresentado ao professor Hermann. No caso do KG H não existe separação objeto e contexto, tudo faz parte do mesmo grafo e a camada que torna o contexto explícito faz o mapeamento para separar/identificar o que é contexto. As regras ainda podem inferir contexto implícito a partir das alegações (instâncias e modelo) do KG. 

Debatemos sobre a sobrecarga da palavra contexto, Daniel sugeriu incluir algum adjetivo como por exemplo Exploration Context (já que é Busca Exploratória). 

Algebra de Contexto e as operações combinadas do artigo do Hermann que geram entidades mais informativas (interseção) e menos informativas (união). 

Grafo H1 com o exemplo original de CapitalCityOf com Contexto Temporal. A sugestão do Hermann era exercitar o caso de um outro grafo/ontologia cujo domínio seria a divisão política desde o Brasil Colônia. 

Grafo H4 como uma nova instância de grafo construído a partir de outras fontes. A figura poderia ser hipoteticamente uma visão sobre todas as alegações cuja fonte é X. Expliquei as mudanças de capital e também as mudanças de sistema político dos nós que deram origem a entidade abstrata "Brazil" de H1. 

Daniel sugeriu colocar um id na relação CapitalCityOf igual a "capital de" uma vez que está relacionada com a modelagem do domínio. 

A query em palavras chaves precisa ser traduzida/mapeada nos rótulos das entidades e relações/propriedades do KG. Outra camada irá resolver a ambiguidade e converter em query de grafo. 

Ao simplificar a narrativa podem haver omissões mesmo que não intencionais. Mas o resultado do diálogo (interface) faria ou não esta simplificação mesmo que a melhor resposta por ser stateless (sem manter estado) e mais completa possível recupere todas as instâncias contextualizadas, sem omitir.

As mudanças não foram somente de nomes e relações com capitais. São mudanças de sistemas políticos mas que mantém um contexto espacial comum da entidade. É possível perceber as regiões em comum entre H1 e H4 mesmo não sendo possível mapear diretamente. 

O Brasil de hoje é a união ou interseção dos nós anteriores? 

Outro exemplo em potencial: União Soviética e Iugoslávia. 

Nacionalidade do pai do Sérgio (documentos com informações conflitantes) seria o caso de Verdade Relativa. 

Não devemos mapear H4 em H1 pq este não é o propósito da abordagem. 

Se argumentarmos bem que esta Algebra de Contexto não se aplicam a KG isto já seriam um resultado, provar que não é aplicável que é mais fácil através de contra exemplo. 

É possível separar o contexto temporal e contexto de sistema político do H4 como dois contextos? Usando a planilha e incluir o contexto espacial como o contexto comum para integrar as entidades. 

Gerar o H4 mais completo com localização (rótulo) e sistema político com contexto temporal.  E simular respostas usando este grafo.

Wikidata linkou os nós do Brasil com o replaced by mas as datas se sobrepõem. 

Depois criar os exemplos da Alemanha, Itália e outros da Europa para futuros artigos. Na Wikidata podem estar mais precisas.

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. (Russell, 1972, p. 36.) “Truthmaker theories” hold that in order for any truthbe

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