DESI - Tesis de Doctorado en Ciencias de la Ingeniería

URI permanente para esta colección

https://hdl.handle.net/11117/5149

Examinar

Examinando DESI - Tesis de Doctorado en Ciencias de la Ingeniería por autor "Gutiérrez-Preciado, Luis F."

Mostrando 1 - 2 de 2
  • Ítem
    Exploración de los mapas semánticos como medio para resumir y visualizar grafos de conocimiento
    (ITESO, 2024-06) Camarillo-Ramírez, Pablo; Cervantes-Alvarez, José F.; Gutiérrez-Preciado, Luis F.
    Los grafos de conocimiento (KGs por sus siglas en inglés Knowledge Graphs) han surgido como una herramienta poderosa para representar información estructurada semánticamente y asistir el desarrollo de sistemas inteligentes. Este trabajo se centra en la generación de mapas semánticos como método de resumen para los KGs. En este trabajo, proponemos una estrategia que utiliza un algoritmo de agrupación basado en centroides para agrupar términos en el grafo de conocimiento con cierta cercanía semántica. Como forma de experimentación se emplean dos algoritmos de agrupación basados en centroides: Propagación de Afinidad y Particionamiento Alrededor de Medoides (PAM por sus siglas en inglés Partitioning Around Medoids), para capturar la distancia semántica entre los nodos en el KG y generar grupos significativos. Nuestros experimentos muestran resultados divergentes entre los dos algoritmos de agrupación, con la Propagación de Afinidad se observa cierta coherencia cualitativa y significatividad, mientras que PAM se desempeña bien en términos de métricas cuantitativas de validación interna. Aprovechamos los centroides calculados para in- ferir un término principal del mapa semántico, lo que contribuye a la representación visualmente informativa del grafo de conocimiento. La combinación del proceso de capturar la distancia semántica entre los términos del grafo de conocimiento, el uso de algoritmos de agrupación de la inferencia basada en centroides facilita una comprensión integral del grafo de conocimiento. Nuestros hallazgos destacan la importancia de considerar tanto medidas de evaluación cualitativas como cuantitativas al evaluar los resultados de la agrupación. La efectividad de los mapas semánticos se muestra en la visualización de los KGs y en el avance del campo de la visualización de grafos de conocimiento. La integración de algoritmos de agrupación basados en centroides, evaluación cualitativa y métodos de inferencia ofrece una mayor claridad e interpretabilidad para el análisis de un grafo de conocimiento a partir de un grupo de tareas de exploración claramente definidas.
  • Ítem
    Metodología para el descubrimiento de conocimiento en grafos
    (ITESO, 2024-07) Ortega-Guzmán, Víctor H.; Cervantes-Alvarez, José F.; Gutiérrez-Preciado, Luis F.
    Graph mining has experienced remarkable growth in recent years, fueled by the proliferation of data amenable to graph representation and its diverse applications. This surge has been facilitated by the emergence of robust graph databases like Neo4J, AllegroGraph, and OrientDB, enabling researchers and practitioners to harness advanced graph mining algorithms for tasks ranging from community analysis to pathfinding. However, relying solely on graph databases proves inadequate, necessitating the development of a comprehensive methodology to guide practical information analysis and insight extraction. This doctoral thesis introduces the Knowledge Discovery in Graphs (KDG) methodology in response to this need. KDG aims to facilitate the extraction, transformation, loading, processing, modeling, visualization, and analysis of complex, interrelated information encapsulated within labeled and heterogeneous graphs. By leveraging mining algorithms, KDG seeks to unearth hidden structural attributes within these graphs, empowering stakeholders with actionable insights for decision-making processes. The methodology outlined in this thesis provides a holistic overview of the knowledge discovery process, modeled using graphs. It encompasses a broad spectrum of tasks, including information exploration, pattern detection, recommendation generation, visualization tool utilization, and inquiry resolution, which are essential for effective decision-making. The document is structured gradually, beginning with the presentation of fundamental concepts in the first chapter, followed by an exhaustive review of the literature on graph mining in the second chapter. Subsequently, the innovative KDG methodology is introduced in the third chapter, detailing its application to analyze interconnected information in graphs. The practical effectiveness of KDG is evidenced through three case studies in the fourth chapter, providing a concrete view of its implementation in contexts. The document concludes with a chapter dedicated to conclusions. Finally, this thesis synthesizes findings, outlines future research avenues, and includes appendices comprising a comprehensive reference list and a compilation of published works, offering a robust foundation for further exploration in graph mining and knowledge discovery.