Uma interface para consultas complexas em grafo de conhecimento com representações vetoriais

• Autor(a) principal: Medeiros, Rafael Duarte Campbell de
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/25786
• topic: Grafo de conhecimento; Predição de link; Perguntas complexas; Inteligência artificial; Aprendizado de máquina; Representação do conhecimento (Teoria da Informação); Análise tensorial; Knowledge graph; Embedding; Link prediction; Complex query

Com o avanço da tecnologia, observa-se um crescimento significativo no volume e abrangência dos dados capturados e representados em grandes bases. A representação dessas informações em grafos de conhecimento viabiliza um amplo leque de aplicações; por outro lado, no contexto da realização de perguntas complexas, encontra barreiras no que concerne a sua completude e especificação. Uma abordagem que ganha popularidade é tratar o processo de predizer relações ausentes como um problema de completar tensores de alta dimensionalidade. Para tal, faz-se uso de técnicas que trabalhem com a representação vetorial dessa informação, garantindo mais facilidade em sua manipulação. Para realizar consultas complexas a essas bases, ganham popularidade as abordagens que buscam representar essa pergunta no mesmo espaço vetorial do grafo, transformando o problema de predição das relações ausentes em decomposição tensorial. Dentre estas técnicas, esta monografia elege o modelo continuous query decomposition para se apoiar, apresentando um estudo sobre suas principais características e métodos. Com isso, propõe-se a implementação de uma interface visual que permita a construção de perguntas complexas a serem respondidas por grafos em representação vetorial. Por fim, conclui-se que o trabalho cumpre com o escopo proposto, viabilizando a realização de perguntas complexas com um conjunto de preditores de link treinados previamente.