Pesquisa de Doutorado da Veronica

https://knowledge-nlp.github.io/kdd2023/papers/Kumar5.pdf https://github.com/isunitha98selvan/odqa-tail ABSTRACT Pretrained Large Language Models (LLMs) have gained significant attention for addressing open-domain Question Answering (QA). While they exhibit high accuracy in answering questions related to common knowledge, LLMs encounter difficulties in learning about uncommon long-tail knowledge (tail entities).   [Entidades com poucas informações disponíveis, não tão populares ou comuns no interesse do público em geral] 1 INTRODUCTION However, the impressive achievements of LLMs in QA tasks are primarily observed with regard to common concepts that frequently appear on the internet (referred to as "head entities"), which are thus more likely to be learned effectively by LLMs during pretraining time. Conversely, when it comes to dealing with long-tail knowledge, which encompasses rarely occurring entities (referred to as "tail entities"), LLMs struggle to provide ac...

https://arxiv.org/pdf/2308.06374.pdf community on LLMs (parametric knowledge) and Knowledge Graphs (explicit knowledge) [sub simbólico (embeddings) x simbólico] Introduction era of Knowledge Computing, in which the notion of reasoning within KR is broadened to many computation tasks based on various knowledge representations. [Modelos de Linguagem com Representação do Conhecimento] widely used knowledge representation languages, such as RDF [121] and OWL [55], at web scale, using which the large-scale knowledge bases are then more widely known as KGs [123], due to their helpful graph structures, enabling the both logical reasoning and graph-based learning. [Algoritmos de grafo independentes de domínio] Some works use LLMs to augment KGs for, e.g., knowledge extraction, KG construction, and refinement, while others use KGs to augment LLMs for, e.g., training and prompt learning, or knowledge augmentation. [Seria possível usar LLM para completar as respostas unknown em um KG?] Common Deb...

K4. Qual é a posição do principal líder administrativo no <país ?v1> e quem foram estes lideres?  K4a -> ?p1 (?v1, ?pred1, ?v2). ?p2 (?v1, ?pred2, ?v3).  Filtro dos predicados ( ( ?pred1 = "P35" and ?pred2 = "P1906" ) OR ( ?pred1 = "P6" and ?pred2 = "P1313"  ) ) P1313      'office held by head of government'@en    P1906      'office held by head of state'@en P35           'head of state'@en  P6             'head of government'@en  Consulta incompleta uma vez que as relações de interesse possuem contexto Temporal Álgebra Temporal no Contra Domínio dos qualificadores: encontrar interseção dos intervalos de tempo nos pares de alegações recuperados com a consulta. SE ?px, P580, ?vx. NOT EXISTS (?px, P582, ?vy.) ENTÃO ?px é Corrente SE ?p1, P580, ?v4. ?p1, P582, ?v5. ?p2, P580, ?v6. ?p1, P580, ?v7. AND ((v4 <= v7) and (v5 >= ...

K3. Qual a atual capital dos países e como foi definida esta relação?  K3 -> ?p1 (?v1, p36, ?v2). ?q1 (?p1, ?qp36, ?v3). ?c1 ("Provenance", ckgr1, ?qp36). ?i1 ("Temporal", ckgr3, ckgl1 {Atual})  Pergunta COMPLETA (possui tanto o contexto temporal quanto o de proveniência)  Resposta: A maioria dos países consultados possuem somente uma capital mas a legislação que suporta esta definição, quando existe, não está registrada na Wikidata. Além disto algumas capitais são de fato mas não estão definidas por Lei. Alguns casos possuem duas (Bolívia) e até três capitais (Africa do Sul) e também em situação de disputa por reconhecimento internacional (Israel). Comparabilidade com LLM : a ideia inicial seria gerar as alegações e qualificadores adicionais com as respostas dos LLMs para permitir respostas semelhantes. Mas as repostas quanto a legislação de suporte para a relação "capital de" no ChatGPT e Bard estão erradas em alguns casos. Por exemplo, a capital de...

K2. Quando o México foi fundado? K2a -> Mexico, p571, ?v1 Resposta: Existem cinco alegações para este evento, o predicado P571 é do tipo SINGLE-BEST VALUE então mesmo com múltiplos valores se pressupõe que exista somente um aplicável ao seu respectivo contexto. O Contexto de Proveniência é indicado para apoiar a seleção de qual alegação se aplica uma vez que, além das fontes, esclarecem a forma como a informação foi obtida e calculada (P1013    'criterion used). Uma das alegações está marcada como "deprecated" com uma explicação associada via qualificador porém existe outra alegação marcada como "preferred" sem explicação.  Caso 1 Caso 2 Caso 3 Caso 4 Caso 5