Next Web: web 3.0, web semántica y el futuro de internet > knowledge+graph

    sortFiltrar Ordenar
    9 results

    Hyperlink

    /

    Published on 26.8.2019 by Equipo GNOSS

    ¿Cuál es la diferencia entre Grafo de Conocimiento y Base de Datos de Grafos? - Kingsley Idehen

    Kingsley Idehen, Fundador y CEO de Openlink, los creadores de Virtuoso, explica en Quora cuáles son las diferencias entre Grafos de Conocimiento (Knowledge Graph) y bases de datos de grafos (Graph Database).

    Para Idehen, un Grafo de Conocimiento es un tipo genérico de datos estructurados, operados por un Sistema de Gestión de Bases de Datos de Grafos usando algún tipo de lenguaje declarativo de interrogación (estándares como SQL, SPARQL u otros lenguajes propietarios).

    ...

    Pdf

    /

    Published on 3.8.2018 by Equipo GNOSS

    Google: conocimiento basado en hechos. De enlaces a hechos. Knowledge based Trust. Un grafo de conocimiento "verdadero"

    En el año 2012, Google, en su blog, explicó como estaba transitando de la búsqueda por secuencia de caracteres a la búsqueda de entidades. En su artículo "Things, not Strings" explicaba la construcción de su Grafo de Conocimiento y como éste estaba condicionando la búsqueda, tras la compra dos años antes de Metaweb, empresa creadora de la gran base de entidades llamada Freebase.

    Siguiendo en esta línea y avanzando más, en el año 2015, como se expone en el resumen del paper que adjuntamos "Knowledge Based Trust: Estimating the Trustworthiness of Web Sources" escrito por Xin Luna Dong, Evgeniy Gabrilovich, Kevin Murphy, Van Dang, Wilko Horn, Camillo Lugaresi, Shaohua Sun, Wei Zhang, Google explica como está basándose en hechos y no tanto en links a la hora de seguir avanzando en la construcción de un Grafo de Conocimiento "verdadero".

    Así, los investigadores, apuntan en el resumen del paper que la calidad de las fuentes web se ha evaluado tradicionalmente utilizando señales exógenas como la estructura de los hipervínculos. Desde hace algún tiempo Google está identificando entidades del mundo y proponiendo un nuevo enfoque para sus búsquedas basado en señales endógenas, es decir, en la exactitud de la información objetiva proporcionada por la fuente. Una fuente que tiene pocos hechos falsos se considera confiable. Los hechos se extraen automáticamente de cada fuente mediante métodos de extracción comúnmente utilizados para construir bases de conocimiento (DBPedia, Yago, etc). Se está investigando la forma de distinguir errores cometidos en el proceso de extracción de entidades mediante el uso de inferencias conjuntas en un novedoso modelo probabilístico multicapa.


    Llaman puntaje de confiabilidad al cálculo basado en el conocimiento Confianza (KBT). En datos sintéticos, muestran que con este método pueden calcular los verdaderos niveles de confiabilidad de las fuentes. De este modo lo aplican
    luego a una base de datos con millones de hechos extraídos de la web, y así pueden estimar la confiabilidad de millones de páginas web.

    ...

    Pdf

    /

    Published on 1.8.2018 by Equipo GNOSS

    Xin Luna Dong, responsable de investigación del Product Graph de Amazon, expone en esta presentación algunos de los desafios más importantes con los que se están enfrentando a la hora de construir un Grafo de Productos que sea, ya no una parte o subconjunto del Knowledge Graph de Google, sino un Grafo de Productos con características y atributos propios. Todo ello, claro está, con el objetivo de responder mejor y dar una mayor satisfacción al usuario cuando quiere encontrar un producto. La misión es ofrecerle todo el conocimiento existente sobre este producto y ofrecer una experiencia digital mejorada que además le recomiende de forma pertinente ¿Qué otros libros, películas, artículos, han comprado las personas que también han comprado lo mismo que yo?

    En la presentación hace un recuento del conjunto de problemas y retos a los que se enfrentan para abordar este gran desafío:

    No hay fuentes estructuradas que ayuden a la creación del grafo de productos:

    • La Wikipedia ayuda poco, no está centrada en esto
    • Mucho texto estructurado está enterrado en el texto de la descripción del producto
    • Los minoristas y vendedores juegan con el sistema introduciendo ruido en los datos

    Se crean productos nuevos todos los días

    • La curación es imposible
    • Refrescar los nuevos productos es un gran desafío

    Hay un gran número de categorías de productos:

    • Definición muy manual de la ontología necesaria
    • Dificultad para capturar la tendencia de nuevas categorías de productos y sus propiedades

    Muchas entidades no son nombradas como entidades

    • No es aplicable el reconocimiento de entidades
    • Nuevos desafíos para la extracción, enlazado y búsqueda

    La presentación aborda los diversos escenarios de investigación que se están planteando.

    ...

    Hyperlink

    /

    Published on 1.8.2018 by Equipo GNOSS

    Thomson Reuters explica la importancia de construir un Grafo de Conocimiento

    En este artículo la compañia Thomson Reuters hace un repaso de qué es un Grafo de Conocimiento y la importancia que esto tiene en la configuración de la web actual y en las explotaciones para el negocio. Es un artículo divulgativo sobre el estado de la cuestión.

    Esto le da pie para explicar como su servicio de Knowledge Graph Feed permite a los clientes de Servicios Financieros acelerar sus estrategias digitales y de inteligencia artificial. El grafo de conocimiento con 2.000 millones de relaciones da vida a una visión completa del ecosistema financiero para que los usuarios puedan descubrir conocimiento sobre la base de las relaciones no previstas ni preadministradas que el grafo presenta.

    ...

    Hyperlink

    /

    Published on 1.8.2018 by Equipo GNOSS

    El Grafo de Conceptos de Microsoft

    El llamado Gráfico Conceptual de Microsoft intenta duplicar las diversas entidades existentes en el mundo. Se conforma como un gran grafo de conceptos, aprovechando la información  de miles de millones de páginas web y registros de búsqueda de años, aunque podemos decir que Google, Facebook, Amazon y otras empresas le llevan una ventaja considerable.

    https://concept.research.microsoft.com/Home/Introduction

    ...

    Hyperlink

    /

    Published on 1.8.2018 by Equipo GNOSS

    La construcción del Grafo de Conocimiento en Linkedin

    El director de Inteligencia Artificial de Linkedin explica en este artículo como Linkedin está construyendo su Grafo de Conocimiento.

    LinkedIn knowledge Graph es una gran base de conocimiento construida sobre "entidades" en LinkedIn, como miembros, trabajos, títulos, habilidades, compañías, ubicaciones geográficas, escuelas, etc. Estas entidades y las relaciones entre ellas forman la ontología del mundo profesional y son utilizados por LinkedIn para mejorar sus sistemas de recomendación, búsqueda, monetización y productos de consumo, negocios y análisis del consumidor.

    En este artículo el autor explica como aplican técnicas de Machine Learning para resolver los desafíos al crear el grafo de conocimiento, que es esencialmente un proceso de estandarización de datos sobre contenido generado por el usuario y fuentes de datos externas, en el que el aprendizaje automático se aplica:

    • la construcción taxonómica de entidades
    • la inferencia de relaciones entre entidades,
    • la representación de datos para consumidores de datos descendentes
    • la penetración de conocimiento (información) a partir del grafo 
    • la adquisición activa de datos de los usuarios para validar nuestra inferencia y recopilar datos de capacitación.

    El grafo de conocimiento de LinkedIn es un grafo dinámico. Las nuevas entidades se agregan al grafo y las nuevas relaciones se forman continuamente. Las relaciones existentes también pueden cambiar. Por ejemplo, el mapeo de un miembro a su título actual cambia cuando tiene un nuevo trabajo. Por tanto, hay que actualizar el grafo de conocimiento de LinkedIn en tiempo real cuando se produzcan cambios en el perfil de los miembros y nuevas entidades emergentes.

    ...

    Hyperlink

    /

    Published on 1.8.2018 by Equipo GNOSS

    Congreso: Grafos de Conocimiento en turismo

    El pasado 5 de junio de 2018 se celebró en Cáceres el TourismKG 2018, el primer workshop internacional que abordó la aplicación de Grafos de Conocimiento al sector de los viajes y el turismo. Este evento fue organizado por Ontology Engineering Group, responsables de la DBpedia del español, el mayor dataset semántico en nuestro idioma. En el mismo participó GNOSS exponiendo el proyecto realizado para Turismo de La Rioja.

     

    ...

    Categorías:

    Hyperlink

    /

    Published on 2.6.2016 by Equipo GNOSS

    ¿Qué pasó con la Web Semántica? - What happened to the Semantic Web? - Kingsley Idehen

    Kingsley Idehen, CEO de Openlink Software, creadores de Virtuoso, expone en este post su visión sobre el estado actual de la Web Semántica.

    El provocador título del post es el punto de partida para rebatir la idea de que la web semántica sea una promesa tecnológica incumplida, sino que, más bien, lo que ha sucedido es que su llegada no ha tenido la espectacularidad que algunos esperaban. En palabras de Kingsley Idehen: "In this post, I will demonstrate that as expected [1][2], its arrival was without fanfare, but we are inarguably there."

    El autor proporciona dos ejemplos, relacionados con la experiencia de búsqueda, particularmente en Google.

    En primer lugar, la creación del vocabulario compartido Schema.org, por parte de Google, Microsoft, Yahoo!, Yandex, y otros.

    En segundo, la creación del Knowledge Graph de Google, y su aplicación indirecta en las búsquedas normales, y directa en búsquedas especiales (Custom Search Engine).

    Estos ejemplos demuestran que los objetivos básicos de la Web Semántica ya se han alcanzado:

    • La web está llena de documentos HTML que incluyen datos semánticamente enriquecidos.
    • Estos documentos crean una nueva dimensión Web en la que los enlaces ya no son sólo entre documentos, sino que funcionan como nombres desambiguados para cualquier entidad, permitiendo la construcción de sentencias en lenguaje natural para codificar y decodificar información (datos contextualizados), comprensibles por usuarios y máquinas (bots).

    En palabras del autor: "The fundamental goal of the Semantic Web Project has already been achieved. Like the initial introduction of the Web, there wasn't an official release date — it just happened!"

    ...