Navegando por Assunto "Computação semântica"

Filtrar resultados informando o último nome do autor
Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    An AMR-based extractive summarization method for cohesive summaries
    (2021) Silva, Pedro Assis Xavier; Lima, Rinaldo José de; Espinasse, Bernard; http://lattes.cnpq.br/7645118086647340; http://lattes.cnpq.br/0509757461700562
    The main goal of automatic text summarization is condensing the original text into a shorter version, preserving the information content and general meaning. The extractive summarization, one of the main approaches for automatic text summarization, consists to select the most relevant sentences of a document, and generate a summary. This paper proposes a new mono-document extractive summarization method using a semantic representation of the sentence of a document expressed in AMR (Abstract Meaning Representation). In this method, AMR semantic representation is used to capture the most important concepts of each sentence (in core semantic terms), and a concept-based Integer Linear Programming (ILP) approach to select the most informative sentences improving both relevance and text cohesion of the summary. Two datasets proposed by DUC (2001 and 2002) were used to evaluate the effectiveness of our method on extrative summarirazion and commparing it with other state-of-the-art summary systems.
  • Imagem de Miniatura
    Item
    Geração aumentada para recuperação de dados urbanos integrados: consolidando dados do IBGE, Censo, CNEFE e OSM para a otimização do planejamento urbano
    (2025-03-21) Conceição, Keyson Raphael Acioli da; Lima, Rinaldo José de; http://lattes.cnpq.br/7645118086647340; http://lattes.cnpq.br/3198610477751043
    Nos últimos anos, os campos da Inteligência Artificial (IA) e do aprendizado de máquina (AM) revolucionaram o domínio do planejamento urbano, pois permitem que volumes substanciais de dados sejam analisados de forma eficaz, incentivando melhor alocação de recursos e entregas de serviços públicos. Para atingir este objetivo, o agente inteligente proposto neste trabalho reúne dados de várias fontes, incluindo Censo Demográfico, Cadastro Nacional de Endereços para Fins Estatísticos - CNEFE, e OpenStreetMap (OSM) para oferecer respostas baseadas em contexto relacionadas à distribuição da população e acesso a diferentes serviços urbanos. A abordagem proposta inclui um pipeline de processamento que implementa normalização, indexação vetorial das informações e representação semântica para tornar as consultas mais eficazes. Para avaliar o sistema proposto, foi conduzido um experimento com especialistas em planejamento urbano e analisamos a relevância, clareza e utilidade das respostas geradas pelo sistema. Tais resultados mostram que o agente é capaz de detectar áreas com pouca cobertura de serviços necessários, indicando uma alocação adequada. No entanto, outros desafios, tais como a necessidade de melhor clarificação das respostas e ampliação da cobertura espacial, foram reconhecidos como oportunidades para trabalho futuro.