A probabilistic algorithm to predict missing facts from knowledge graphs

Página do item simplificado
dc.creatorAndré Lopes Gonzaga
dc.date.accessioned2020-10-27T18:01:40Z
dc.date.accessioned2025-09-09T01:04:35Z
dc.date.available2020-10-27T18:01:40Z
dc.date.issued2019-01-31
dc.identifier.urihttps://hdl.handle.net/1843/34314
dc.languageeng
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subject.otherKnowledge
dc.subject.otherGraph
dc.subject.otherProbabilistic
dc.subject.otherLearning
dc.subject.otherComputação – Teses
dc.subject.otherWeb semântica – Teses
dc.subject.otherAprendizado do computador – Teses
dc.subject.otherBase de conhecimento – Teses
dc.subject.otherPredição de falhas – Teses
dc.titleA probabilistic algorithm to predict missing facts from knowledge graphs
dc.title.alternativeUm algoritmo probabilístico para predição de fatos em grafos de conhecimento
dc.typeDissertação de mestrado
local.contributor.advisor-co1Mario Sérgio Ferreira Alvim Júnior
local.contributor.advisor1Mirella Mouro Moro
local.contributor.advisor1Latteshttp://lattes.cnpq.br/6408321790990372
local.contributor.referee1Luiz Chaimowicz
local.contributor.referee1Denilson Barbosa
local.creator.Latteshttp://lattes.cnpq.br/1442335031987693
local.description.resumoKnowledge Graph, as the name says, is a way to represent knowledge using a directed graph structure (nodes and edges). However, such graphs are often incomplete or contain a considerable amount of wrong facts. This work presents ProA: a probabilistic algorithm to predict missing facts from Knowledge Graphs based on the probability distribution over paths between entities. Compared to current state-of-the-art approaches, ProA has the following advantages: simplicity as it considers only the topological structure of a knowledge graph, good performance as it does not require any complex calculations, and readiness as it has no other requirement but the graph itself.
local.publisher.countryBrasil
local.publisher.departmentICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO
local.publisher.initialsUFMG
local.publisher.programPrograma de Pós-Graduação em Ciência da Computação

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertação André Gonzaga - Versão Final.pdf
Tamanho:
4.16 MB
Formato:
Adobe Portable Document Format
Baixar

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.07 KB
Formato:
Plain Text
Descrição:
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG