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

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...

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 ...

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...