Pular para o conteúdo principal

Reunião Orientação - 23 de Maio de 2023

Apresentando o exemplo do H4 - História Geo-Politica do Brasil

Dimensões: Temporal, Localização, Proveniência e Domínio

Tipo de Contexto Genérico: é um tipo onde o engenheiro especifique que é importante mapear como contexto mas sem detalhar qual

Exemplos de consulta

1) Estado do Brasil: caso onde o usuário conhece a entidade que existe no grafo

2) Brasil Colonial: caso onde o usuário não conhece as entidades concretas mas tem uma entidade abstrata em seu modelo mental que corresponde ao um período histórico

A interface traduz para 3 nós de entidades concretas na consulta

3) Brasil de acordo com um sistema administrativo concreto: a interface constrói a query como um sub-grafo mas a query está incompleta quanto ao contexto. 

A query está sintaticamente correta e produz um resultado correto pq a instância não tem casos adicionais mas para estar semanticamente correta deve incluir o contexto. Aqui se faz necessário uma meta-query para identificar que está incompleta e completar.

Depois da meta-query é necessário aplicar uma Algebra do Contexto no contra domínio das propriedades. 

Exemplo: relações espaciais possuem funções built-in de acordo o contra domínio (tipo de dados)

Buscar sobre Algebra Temporal para suporte as operações com contexto

O usuário não precisa conhecer o domínio e não sabe que falta contexto para avaliar se o resultado da consulta está semanticamente correto. Quem conhece o domínio é o engenheiro do conhecimento que fez o mapeamento e com este mapeamento é possível identificar que a query estava incompleta. 

A meta-query não impõe o limite e permite todas as respostas. A proposta fornece o arcabouço e não limita as opções de contexto. O esquema do CKG é extensível. O mecanismo do todas/melhor resposta possível usa este arcabouço. Meta-query é só uma terminologia mas a query consulta o mesmo KG, que foi estendido. 

O KG H4 não é completo logo não é obrigatório responder todas as perguntas. Pode ser necessário acrescentar instâncias ao KG. Não devemos entrar nas questões de interface e navegação. A estratégia de exploração, com filtros, não é o nosso foco e sim o uso de contexto para completar as queries. A abordagem de completar com contexto daria o mesmo resultado sem interação, sem depender do que a interface de usuário da aplicação fornece em termos de filtro. 

Comentei que usei o conceito de multi camadas de contexto para as operações de Integração de Contexto e Integração de Entidades. 

1) Ilustrar o processo de meta-query é a prioridade

Identificar predicados e qualificadores presentes na query 

Checar em relação ao mapeamento presente na camada de contexto

Completar a query

2) Ilustrar como integrar e verificar se vamos adotar o formalismo da CO


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...