Pular para o conteúdo principal

Prova de Conceito WD - Query K1 - Brazil Q155

K1. Quais unidades geo-políticas / nações o atual Brasil (Q155) substituiu?

K1a -> q155, p1365, ?v1

Resposta: Diretamente duas: uma é um outro país (Q217230 - Empire of Brazil) e outra é um período histórico (Q5848654 - Republic of the United States of Brazil) que não foi selecionado para fazer parte do sub-set em função do seu tipo. As alegações referentes a relação "replaces (p1365)" não possuem qualificadores temporais e nem de proveniência no KG. Neste caso foram incluídas as informações de Contexto, principalmente Temporal, e Identidade das entidades envolvidas para aumentar o conhecimento sobre a cronologia das mesmas.


K1. Quais unidades geo-políticas / nações o atual Brasil substituiu indiretamente

K1b -> q155, p1365*, ?v1

Resposta: Uma vez que a relação "replaces" é transitiva é possível aplicar o fecho transitivo em uma consulta de caminho para encontrar todos as entidades de interesse. A maioria das alegações recuperadas não possuem qualificadores temporais e nem de proveniência nesta relação. E muitos elementos recuperados não possuem uma relação de sobreposição de território com o atual Brasil como, por exemplo, países localizados exclusivamente na Europa e na África. 

K1. Quais unidades geo-políticas / nações, localizadas na América do Sul, o atual Brasil substituiu indiretamente? 

K1c -> q155, p1365*, ?v1. ?v1, p30, Q18 OU q155, p1365*, ?v1. ?v1, p30, ?v2. q155, p30, ?v2

Resposta: O filtro do Contexto de Localização (P30 continente) permitiu recuperar somente as entidades que possuem uma relação territorial com o atual Brasil através do mesmo continente.



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