book

Construir grafos de conocimiento

by Jesus Barrasa, Jim Webber

September 2024

Intermediate to advanced

290 pages

8h 16m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

A quién va dirigido este libroConvenciones utilizadas en este libroAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
¿Qué son los gráficos?La motivación de los grafos de conocimientoGrafos de conocimiento: Una definiciónResumen
Principios organizativos de un grafo de conocimientoGráficos sencillosModelos gráficos más ricosGrafos de conocimiento que utilizan taxonomías para jerarquizarGrafos de conocimiento que utilizan ontologías para relaciones multinivel¿Cuál es el mejor principio organizador para tu gráfico de conocimiento?Principios de organización: Normas frente a Crea las tuyasCrear tu propio principio organizadorCaracterísticas esenciales de un gráfico de conocimientoResumen
El lenguaje de consulta CypherCrear datos en un gráfico de conocimientoEvitar duplicados al enriquecer un grafo de conocimientoGráfico Consultas localesGráfico Consultas globalesLlamada a funciones y procedimientosHerramientas de apoyo para escribir consultas de grafos de conocimientoNeo4j InternosProcesamiento de consultasTransacciones ACIDResumen
Cargar datos con el importador de datos Neo4jCarga masiva de datos en línea con CARGAR CSVCarga masiva inicialResumen
Hacia un Tejido de DatosEl controlador de la base de datosFederación de grafos con bases de datos compuestasProcedimientos del lado del servidorVirtualización de datos con Neo4j APOCFunciones y procedimientos personalizadosHerramientas y técnicas complementariasGraphQLComplemento Kafka ConnectConector Neo4j SparkApache Hop para ETLResumen
¿Por qué algoritmos gráficos?Diferentes clases de algoritmos gráficosOperaciones de Ciencia de Datos de GráficosExperimentar con la Ciencia de Datos de GráficosConsideraciones sobre la producciónEnriquecer el grafo de conocimientoResumen
El aprendizaje automático en pocas palabrasAprendizaje automático topológicoPipelines de aprendizaje automático nativos de grafosRecomendación de actores complementariosResumen
El reto de la gestión de datos distribuidosConjuntos de datos conectados a plataformas de datosTareas y canalizaciones de datosSumideros de datosEjemplo de gráfico de metadatosConsulta del modelo gráfico de metadatosUtilizar relaciones para conectar datos y metadatosResumen
Conocer a tu cliente¿Cuándo aparece el problema?Resolución de Entidades Basada en Grafos Paso a PasoPreparación de datosCorrespondencia de entidadesConstruir/Actualizar un Registro Persistente de Entidades MaestrasTrabajar con datos no estructuradosResumen

Detección del fraudeFraude de primera parteDescubrir el fraude a partir de los datosAnillos de fraudeTranseúntes inocentesOperacionalización del grafo de conocimiento de detección de fraudesAdecuación de competenciasGráfico de conocimiento organizativoHabilidades Gráfico de conocimientosPericia Gráfico de conocimientoCrecimiento profesional individualPlanificación organizativaPredecir el rendimiento organizativoResumen
Dependencias como gráficoModelado avanzado de dependencia de grafosDependencias cualificadasSemántica de la multidependenciaPropagación de impactos con CypherValidación de un grafo de conocimiento de dependenciasValidación 1: Sin ciclosValidación 2: Las multidependencias agregadas suman el total esperadoTratamiento de dependencias complejasAnálisis del punto único de falloAnálisis de la causa raízResumen
Búsqueda en datos no estructuradosDe las cadenas a las cosas: Anotar documentos con entidadesNavegando por las Conexiones: Similitud de Documentos para RecomendacionesEl problema del arranque en fríoSemantizar la anotación con un principio organizadorResumen
Respuesta a preguntas: El lenguaje natural como fuente de hechos para un grafo de conocimientoUtilizar la consulta en lenguaje natural con un grafo de conocimientoGeneración de lenguaje natural a partir de grafos de conocimientoAnotar el Principio Organizador del Grafo de Conocimiento para Impulsar la Generación de Lenguaje NaturalTrabajar con bases de datos léxicasSimilitud semántica basada en grafosSimilitud de trayectoriasSimilitud Leacock-ChodorowSimilitud de Wu y PalmerResumen
Implementaciones convencionales de grafos de conocimientoDe los grafos de conocimiento a los lagos de conocimientoMirando al futuro

Content preview from Construir grafos de conocimiento

Capítulo 12. Búsqueda semántica y similitud

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Una buena parte de los datos disponibles en el mundo están en forma de documentos: documentos creados por humanos para ser consumidos por humanos y, por tanto, expresados en lenguaje natural. Pero el lenguaje natural no es fácil de explotar programáticamente porque no tiene una estructura bien definida como una tabla (base de datos o archivo CSV) o una jerarquía (documento JSON o XML). Cualquier uso automatizado de un documento en lenguaje natural requerirá cierto preprocesamiento para extraer de él información estructurada. Si quieres ir más allá de los aspectos básicos del procesamiento de textos (recuento de palabras, análisis basado en texto), esto sólo puede conseguirse utilizando una tecnología llamada procesamiento del lenguaje natural (PLN). En este capítulo, verás cómo los tipos de estructuras que resultan de aplicar técnicas de PLN encajan de forma natural en una estructura de grafos y cómo la construcción de grafos de conocimiento a partir de datos no estructurados permite una explotación más sofisticada.

Búsqueda en datos no estructurados

La primera forma obvia de que haga un uso programático del contenido de los documentos en lenguaje natural es permitir la búsqueda. La búsqueda es un área que ha tenido una historia reciente increíble. En sus primeros días, hace sólo dos décadas (y sorprendentemente todavía ...