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

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 ...

Defesa de Doutorado de Grettel Monteagudo Garcia

A última atividade presencial que fiz na PUC-Rio foi assistir a defesa de tese da Grettel Monteagudo Garcia , em 13/03/2020 (uma sexta-feira 13 !!!!). O título da tese é “ A Keyword-based Query Processing Method for Datasets with Schemas ” e me interessou por causa do projeto do NIMA. A proposta parte do cenário onde usuários possam consultar dados, armazenados em bancos de dados relacionais e TripleStores, de maneira semelhante ao Google, ou seja, digitando palavras-chave, e deixando para o sistema recuperar os dados que melhor correspondem ao conjunto de palavras-chave.  Na tese estão descritos um algoritmo e um framework projetados para processar consultas baseadas em palavras-chave para bases de dados com esquema, especificamente bancos relacionais e bases de dados em RDF. A primeira etapa do algoritmo é a conversão do conjunto de palavras chaves em uma consulta abstrata explorando um esquema abstrato . Nesta etapa o principal desafio é achar onde a informação está (os matches...

Metodologia Científica II - continuação

No primeiro post  foram detalhados os 6 primeiros vídeos do canal do Youtube do professor Eduardo Ogasawara do CEFET/RJ   Mais 3 vídeos foram disponibilizados e estão comentados a seguir: Gráficos, Figuras e Tabelas (33 minutos) - como apresentar os resultados das avaliações experimentais. Gráficos: associar análises dos resultados a cada gráfico apresentado, problemas comuns na montagem de gráficos (não usar todo eixo X ou Y, não usar área útil com uma escala adequada a ver o comportamento dos números, não marcar os pontos de observação da série, inconsistência no uso de cores ), escala logarítmica x linear, eixo X para a variável independente e Y para a dependente (resposta), escrever boas legendas para os gráficos, observar se diferenças entre variáveis apresentadas em gráficos separados podem atrapalhar a interpretação dos resultados. Diagramas devem ser pensados de acordo com o propósito, trata-se de uma abstração e cada elemento deve ser explicado no texto, rótulos...