Interpretando modelos de embedding de bases de conhecimento.

Autor(es)

Arthur Colombini Gusmão

• Tipo de documento: Dissertação de Mestrado
• Imprenta: São Paulo.
• Instituição: Universidade de São Paulo (USP). Escola Politécnica (EP/BC)
• Data de defesa: 2018-11-26

Membros da banca

Fabio Gagliardi Cozman; Etienne Américo Cartolano Junior; Bernardo Nunes Gonçalves

• Orientador: Fabio Gagliardi Cozman

Resumo

Bases de conhecimento apresentam diversas aplicações, desde processamento de linguagem natural a pesquisa semântica da web; contudo, na prática, sua utilidade é prejudicada por não serem totalmente completas. Para solucionar esse problema, diversas técnicas focam em completar bases de conhecimento, das quais modelos de embedding são eficientes, atingem estado da arte em acurácia, e eliminam a necessidade de fazer-se engenharia de características dos dados de entrada. Entretanto, as predições dos modelos de embedding são notoriamente difíceis de serem interpretadas. Neste trabalho, propomos métodos agnósticos a modelo que permitem interpretar modelos de embedding através da extração de regras Horn ponderadas por pesos dos mesmos. Mais espeficicamente, mostramos como os chamados \"métodos pedagógicos\", da literatura de redes neurais, podem ser adaptados para lidar com os aspectos relacionais e de larga escala de bases de conhecimento, e mostramos experimentalmente seus pontos fortes e fracos. (AU)

• Processo FAPESP: 17/19007-6 - Algoritmos de inferência e aprendizagem para programação lógica probabilística
• Beneficiário: Arthur Colombini Gusmão
• Modalidade de apoio: Bolsas no Brasil - Mestrado