Pytology - Rumo ao Cálculo de Relevância sobre dados RDF

With the wide availability of RDF datasets on the Web, it becomes increasingly complex the manual analysis to understand the domains of ontologies and their levels of links. Therefore, a challenge is the semi-automatic identification of the relevant relations at the ontology, which are important to define the semantics of the data. This work presents a method to calculate relevance values to the predicates in an ontology by using topological analysis. We show the consolidation of this work with a tool named Pytology and the experimental results generated by using available datasets on the web.

Transcript

1. AQUI FICA O TÍTULO DE SUA APRESENTAÇÃO
2. Pytology: Rumo ao Cálculo de Relevância sobre dados RDF Victor Vieira Barros Leal da Silveira José Antônio Fernandes de Macedo Lucas Peres Gaspar David Araújo Abreu
3. 1. Introdução 2. Motivação 3. Conceitos 4. Pytology 5. Análises 6. Conclusão AGENDA
4. O RDF O modelo simples do RDF ▹ Permite a junção, divulgação e compartilhamento de dados estruturados e semiestruturados. ▹ Gera um grafo direcionado nos quais as arestas são ligações nomeadas entre duas fontes, representadas pelos nós do grafo. 4 INTRODUÇÃO
5. Recuperação de Informações Dada a disponibilidade de um grande quantidade de fontes RDF (e.g. Linked Data) é necessário prover mecanismos eficazes para realizar recuperação sobre essas bases. 5 INTRODUÇÃO
6. Busca Exploratória Nem sempre o usuário possui conhecimento sobre os esquemas das fontes RDF 6 INTRODUÇÃO Fonte: Marchionini, Gary. "Exploratory search: from finding to understanding." Communications of the ACM 49.4 (2006): 41-46.
7. 7 Motivação TRABALHO OBJETIVO TIPO DO PROBLEMA CALCULA A RELEVÂNCIA (ELBASSUONI; BLANCO, 2011) Obter triplas a partir de keywords Recuperação de Informações NÃO (MIRIZZI; NOIA, 2010) Exploração de RDF a partir de predicados pré-definidos Busca Exploratória NÃO (MUSETTI et al., 2012) Exploração de RDF a partir de glossário de predicados Busca Exploratória NÃO
8. O Pytology : ▹ Calcula um valor para determinar a relevância dos predicados baseando-se na topologia do grafo RDF ▹ Ranquea os predicados ▹ Provê métrica de comparação 8 Motivação
9. Conceitos 9 Medidas de centralidade Centralidade é uma medida que tenta estimar o quão importante é um nó no grafo. Existem vários tipos de medidas de centralidade dentre elas temos centralidade de grau, intermediação, proximidade e de vetor próprio.
10. Técnicas de Centralidade Betweenness Técnica baseada em caminhos mínimos entre vértices. Eigenvectors Técnica de vetor de pesos, funciona bem somente em grafos fortemente conexos. PageRank Acrescenta a técnica de Katz um fator de decaimento da importância. 10 Closeness Técnica que utiliza a distância de um nó a todos os outros. Katz Eigenvectors Extensão do Eigenvectors, porém usa a conectividade dos vértices.
11. Pytology 11
12. • Unificação das ocorrências os literais, permitindo que literais de mesmo valor sejam tratados como um mesmo nó Objetificação dos Literais 1 2 3 4 ETAPAS PRINCIPAIS 12
13. 1 2 3 4 • Aplicação das métricas de centralidades já mencionadas para calcular as relevâncias dos nós • OBS: somente o Betweenness é capaz de ser aplicado diretamente nas arestas Métricas de Centralidade ETAPAS PRINCIPAIS 13
14. 1 2 3 4 • As arestas possuem uma semântica associada a elas • Um mesmo tipo de aresta pode ocorrer de diversas vezes no grafo • É preciso levar em conta as frequencias das ocorrencias dos predicados no grafo Distribuição de Centralidade ETAPAS PRINCIPAIS 14
15. 1 2 3 4 Calculamos a relevância dos predicados levando em conta os valores dos nós. Distribuição de Centralidade ETAPAS PRINCIPAIS 15 • Cn : Centralidade do nó “n“ • Fr : Frequência da relação “r” • Cr : Relevância da relação “r”
16. 1 2 3 4 Podemos obter vários ranqueamentos diferentes. Logo, para não descartarmos nenhum dos rankings, usamos as métricas de correlação para compará-los: • Spearman: Correlação linear e não linear • Pearson: Correlação linear • Kendall: Correlação Ordinal Métricas de Correlação ETAPAS PRINCIPAIS 16
17. 17 Análises • Base de dados Nobeis(datahub.io) • Utilizamos as seguintes métricas: ◦ Betweenness (B) ◦ Betweenness com Distribuição (BD) ◦ PageRank (PR) ◦ Closeness (C) ◦ Eigenvectors (E) ◦ Katz Eigenvectors(K)
18. 18 Análises Nobel Prize Laureate nobel prize prize file category Prize File Laureate Award laureate award laureate literal motivation literal year literal field Award File award file Nobel Prize Category literal gender
19. 19 Análises Posição B BD C E K PR 1 label label type label label label 2 motivation gender year motivation year year 3 gender motivation awardFile gender motivation motivation 4 year year label year gender gender 5 share type prizeFile share type type • Informações particulares ao schema RDF • Informações particulares ao domínio dos dados
20. 20 Análises - Spearman
21. 21 Análises - Pearson
22. 22 Análises - Kendall
23. 23 Análises • Pouca variação em técnicas semelhantes • Maior variação é na técnica do Closeness • Pouca variação entre Betweenness e Betweenness com Distribuição • Kendall é a métrica que possui piores resultados
24. Conclusão • O Pytology computa relevância dos predicados; • Predicados com funcionalidades distintas estão dispersos no mesmo ranqueamento; • Os experimentos evidenciam que a distribuição das centralidades para os predicado consegue refletir o valor da centralidade, uma vez que as duas abordagens do Betweenness são semelhantes. 24
25. 25 Utilizar Métricas de comparação para gerar um ranqueamento final Exploração do Schema Exploração da Semântica PRÓXIMOS PASSOS
26. 26 OBRIGADO! Dúvidas? Você pode me encontrar em ▹ jose.macedo@dc.ufc.br
27. Trabalhos relacionados a: ▹ Recuperação de Informações ▸ (ELBASSUONI; BLANCO, 2011) , que trabalha na recuperação de keywords em grafos RDF. ▹ Busca Exploratória ▸ LED (MIRIZZI; NOIA, 2010) . ▸ Aeemo (MUSETTI et al., 2012). 27 Motivação
28. ▹ (ELBASSUONI; BLANCO, 2011) ▸ Não consegue determinar a relevância dos predicados na etapa de ranqueamento de subgrafos. ▹ LED (MIRIZZI; NOIA, 2010) ▸ Utiliza predicados preestabelecidos para navegar no base como skos:broader e skos:subject. 28 Motivação
29. ▹ Aeemo (MUSETTI et al., 2012) ▸ Utiliza padrões de conhecimento gerados em uma determinada base, em particular a base do Wikipédia, e usa os padrões para efetuar filtragem e enriquecimento de busca. 29 Motivação
30. 37 Análises Spearman C E B BD K PR C 1 0.729 0.751 0.770 0.823 0.793 E 0.729 1 0.830 0.946 0.843 0.847 B 0.751 0.890 1 0.914 0.806 0.790 BD 0.770 0.946 0.914 1 0.811 0.811 K 0.823 0.843 0.806 0.811 1 0.992 PR 0.793 0.847 0.790 0.811 0.992 1 Técnica de correlação entre ranks que mede relações lineares e não lineares. Pior correlação: Closeness - Eigenvectors Melhor correlação: Page rank - Katz
31. 38 Análises Pearson C E B BD K PR C 1 0.294 0.257 0.354 0.334 0.307 E 0.294 1 0.971 0.981 0.989 0.957 B 0.257 0.971 1 0.991 0.985 0.990 BD 0.354 0.981 0.991 1 0.993 0.985 K 0.334 0.989 0.985 0.993 1 0.986 PR 0.307 0.957 0.990 0.985 0.986 1 Técnica de correlação entre ranks que mede relações lineares. Pior correlação: Closeness - Betweenness Melhor correlação: BetweenessD - Katz
32. 39 Análises Kendall C E B BD K PR C 1 0.575 0.586 0.630 0.646 0.624 E 0.575 1 0.739 0.838 0.733 0.740 B 0.586 0.739 1 0.769 0.673 0.642 BD 0.630 0.838 0.769 1 0.683 0.706 K 0.646 0.733 0.673 0.693 1 0.963 PR 0.624 0.740 0.642 0.706 0.963 1 Técnica de correlação entre ranks que mede relações ordinal. Pior correlação: Closeness - Eigenvector Melhor correlação: Katz - Page Rank