Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/30489
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Rodrygo Luis Teodoro Santos | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1162362624079364 | pt_BR |
dc.contributor.advisor-co1 | Nivio Ziviani | pt_BR |
dc.contributor.referee1 | Altigran Soares da Silva | pt_BR |
dc.contributor.referee2 | Marcos André Gonçalves | pt_BR |
dc.creator | Rafael Glater da Cruz Machado | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/7329858225436491 | pt_BR |
dc.date.accessioned | 2019-10-17T20:20:51Z | - |
dc.date.available | 2019-10-17T20:20:51Z | - |
dc.date.issued | 2017-04-07 | - |
dc.identifier.uri | http://hdl.handle.net/1843/30489 | - |
dc.description.abstract | O entendimento de uma consulta é uma tarefa desafiadora, principalmente devido à ambigüidade inerente da linguagem natural. Uma estratégia comum para melhorar a compreensão das consultas em linguagem natural é anotá-las com informações semânticas extraídas de uma base de conhecimento. No entanto, consultas com diferentes intenções podem se beneficiar de diferentes estratégias de anotação. Por exemplo, algumas consultas podem ser efetivamente anotadas com uma única entidade ou um atributo de entidade, outras podem ser melhor representadas por uma lista de entidades de um único tipo ou por entidades de vários tipos distintos, e outras podem ser simplesmente ambíguas. Nesta dissertação, propomos um framework para aprendizagem de anotações semânticas em consultas de acordo com a intenção existente em cada uma. Experimentos minuciosos em um benchmark publicamente disponível mostram que a abordagem proposta pode melhorar significativamente quando comparadas às abordagens agnósticas baseadas em campos aleatórios de Markov e de aprendizado de ranqueamento. Nossos resultados demonstram ainda, de forma consistente, a eficácia de nossa abordagem para consultas de várias intenções, comprimentos e níveis de dificuldade, bem como sua robustez ao ruído na detecção de intenção. | pt_BR |
dc.description.resumo | Query understanding is a challenging task primarily due to the inherent ambiguity of natural language. A common strategy for improving the understanding of natural language queries is to annotate them with semantic information mined from a knowledge base. Nevertheless, queries with different intents may arguably benefit from specialized annotation strategies. For instance, some queries could be effectively annotated with a single entity or an entity attribute, others could be better represented by a list of entities of a single type or by entities of multiple distinct types, and others may be simply ambiguous. In this dissertation, we propose a framework for learning semantic query annotations suitable to the target intent of each individual query. Thorough experiments on a publicly available benchmark show that our proposed approach can significantly improve state-of-the-art intent-agnostic approaches based on Markov random fields and learning to rank. Our results further demonstrate the consistent effectiveness of our approach for queries of various target intents, lengths, and difficulty levels, as well as its robustness to noise in intent detection. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Aprendizado de ranqueamento | pt_BR |
dc.subject | Recuperação da informação | pt_BR |
dc.subject | Aprendizado de representações | pt_BR |
dc.subject | Busca semântica | pt_BR |
dc.subject | Anotação semântica em consultas | pt_BR |
dc.subject.other | Aprendizado de ranqueamento | pt_BR |
dc.subject.other | Recuperação de informação | pt_BR |
dc.title | Intent-aware semantic query annotation | pt_BR |
dc.title.alternative | Anotações semânticas em consultas baseada na intenção do usuário | pt_BR |
dc.type | Dissertação | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
RafaelGlaterdaCruzMachado.pdf | 2.19 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.