Pular para o conteúdo principal

DIKW4IoT - SBBD 2022

DA COSTA, Francisca Jamires; AVILA, Caio Viktor S.; ROLIM, Tulio Vidal; ANDRADE, Rossana Maria de Castro; VIDAL, Vânia Maria Ponte. DIKW4IoT: Uma abordagem baseada na hierarquia DIKW para a construção de grafos de conhecimento para integração de dados de IoT. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 37. , 2022, Búzios. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 190-202. ISSN 2763-8979. DOI: https://doi.org/10.5753/sbbd.2022.224648. 

Segundo a hierarquia DIKW os dados podem ser classificados como dado, informação, conhecimento e sabedoria durante o seu ciclo de vida. 

DIKW (Data-Information-Knowledge-Wisdom) [Van Meter 2020].

Uma observação de um sensor corresponde a um valor lido e uma anotação temporal. Sem a associação de dados que permitam sua identificação e contexto, estes dados não possuem um valor significativo. Além do que os dados de sensores apresentam heterogeneidade sintática e semântica, isto é, diferem no formato dos dados apresentado e no modelo de informação aplicado.

O resultado dessa integração de dados pode ser compartilhada e explorada através de um grafo de conhecimento semântico.

A informação por sua vez, refere-se a uma mensagem com significado mais relevante e que pode ser utilizada como entrada para decisão e/ou ação, ou seja, a informação são dados que por meio de conexões relacionais e contextuais receberam mais significado
[Duan et al. 2017]

[Referência para definir informação e que já acrescenta uma noção de contexto e decisão .... mas seria o mesmo significado de contexto que estou usando? CKG contém informações, ou seja, dado+relacionamentos+contexto]   

O conhecimento refere-se a capacidade de agir e a compreensão em relação a algo, isto é, a partir da informação recebida, processada e validada cognitivamente o conhecimento é construído [Duan et al. 2017]. A sabedoria está relacionada a possibilidade de avaliar um cenário e discernir entre o certo e o errado, sendo capaz de projetar as consequências de uma ação [Remor et al. 2017].

Os sensores possuem metadados que descrevem o sensor e o contexto em que está inserido. 

[significado de contexto aqui!]

Por exemplo, alguns metadados descrevem a unidade e tipo de medida, o serviço que disponibiliza os dados, a geolocalização, entre outros. Estas descrições quando associadas aos dados permitem que os dados evoluam para uma informação. 

[serviço seria proveniência, geolocalização seria Localização (Espacial)] 

[No exemplo utilizaram valor médio calculado das medições de um sensor. OK. Mas é preciso contextualizar o cálculo com a proveniência, quais os dados utilizados para calcular? etapa Anotação Semântica de Agregações de Dados associa o intervalo]

A ontologia SOSA... Uma observação possui um resultado representado pela propriedade hasSimpleResult e uma anotação temporal representada pela propriedade hasResultTime [Contexto Temporal]. As observações mantém um vínculo com sua fonte IoT por meio da propriedade madeBySensor [Contexto Proveniência]. 

[Conhecimento Dedutivo por Regras e Conhecimento Indutivo por Inferência dos Dados]

Figura 3. Anotação Semântica dos dados nas diferentes camadas dos dados .... fazer o exercício de modelar o contexto

Localização {geo:location, sosa:sensor}

Temporal {sosa:hasResultTime, sosa:Observation} {iots:streamStart, iots:IotStream}{iots:streamEnd, iots:IotStream} {iots:windowStart, iots:ObservationStream}{iots:windowEnd, iots:ObservationStream}

Proveniência {iotl:exposedBy, sosa:sensor} {sosa:madeBySensor, sosa:Observation} {iots:generatedBy, iots:IotStream} {iots:derivedFrom, iots:IotStream}

Alegações (ex:obs_temp_21154, sosa:hasSimpleResult, 28)

3.1. Workflow para abordagem DIKW4IoT

[A fase Contexto não corresponde ao mapeamento de informações de contexto]

[Na Busca Exploratória não se sabem as questões de competência antes da construção do KG]   

Marcadores:

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

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

KnOD 2021

Beyond Facts: Online Discourse and Knowledge Graphs A preface to the proceedings of the 1st International Workshop on Knowledge Graphs for Online Discourse Analysis (KnOD 2021, co-located with TheWebConf’21) https://ceur-ws.org/Vol-2877/preface.pdf https://knod2021.wordpress.com/   ABSTRACT Expressing opinions and interacting with others on the Web has led to the production of an abundance of online discourse data, such as claims and viewpoints on controversial topics, their sources and contexts . This data constitutes a valuable source of insights for studies into misinformation spread, bias reinforcement, echo chambers or political agenda setting. While knowledge graphs promise to provide the key to a Web of structured information, they are mainly focused on facts without keeping track of the diversity, connection or temporal evolution of online discourse data. As opposed to facts, claims are inherently more complex. Their interpretation strongly depends on the context and a vari...
2 comentários
Leia mais