El nuevo enfoque permite a los motores de búsqueda describir objetos con declaraciones negativas.

Las computadoras responden preguntas, mantienen conversaciones o asesoran a los clientes sobre sus problemas. Cada vez más aplicaciones de TI se basan en el conocimiento estructural. Para ello, la información debe estar organizada de tal manera que una computadora pueda procesarla, en las llamadas bases de conocimiento. Estas bases de conocimiento son el área de especialización del informático Simon Razniewski y su equipo en el Saarbrücken Max-Planck-Institute for Informatics. Los científicos fueron los primeros en desarrollar un método para agregar un aspecto clave, previamente descuidado, a estas bases de conocimiento.

Utiliza muchas aplicaciones informáticas cotidianas habilidades de conocimiento lo básico: los motores de búsqueda responden preguntas de inmediato, en lugar de vincularlos a otros sitios web. Las tiendas en línea mencionan las características del producto. Los sitios web de reservas muestran qué servicios están incluidos en la reserva. Cualquiera que sea el contexto, las bases de conocimiento se utilizan, tienen una cosa en común: la información que contienen se construye principalmente en los llamados enunciados positivos, como es el caso de los enunciados que describen algo como verdadero. Por ejemplo: “Saarbrücken es la capital de Saarland”, “El teléfono móvil es compatible con 5G”, “Cada habitación de hotel tiene un baño”.

Sus opuestos, los llamados Las afirmaciones negativas se ignoran en las bases de conocimientos actuales. Si bien las declaraciones negativas también contienen información valiosa, la cantidad de ellas las hace difíciles de comprender: “Una cantidad casi infinita de declaraciones no se aplican a algo. El desafío es averiguar cuál de esta información falsa debe incluirse en la base de conocimientos, dice Simon Razniewski, investigador de doctorado y jefe de investigación. Junto con su grupo de investigación en el Saarland Informatics Campus, ahora es el primero en desarrollar un método que puede generar automáticamente declaraciones negativas para bases de conocimiento en varias áreas de aplicación.

Aplicaciones en sistemas de recomendación de tiendas online o webs de viajes

Usando el ejemplo de Steven Hawking, el nuevo enfoque funciona de la siguiente manera: Primero, se han identificado varios casos de referencia que comparten una propiedad significativa con el objeto de búsqueda. En el ejemplo: físicos. Los investigadores llaman a estos casos comparativos “pares”. Ahora, basándose en los “pares”, se genera una selección de suposiciones positivas sobre la unidad inicial. Dado que los físicos Albert Einstein y Richard Feynman ganaron el Premio Nobel, se puede suponer que Steven Hawking ganó el Premio Nobel. Luego, los nuevos supuestos se comparan con la información existente en la base de conocimientos de la unidad inicial. Si la declaración se refiere a “pares” pero no al objeto de búsqueda, los investigadores concluyen que la declaración es negativa para el objeto de búsqueda, es decir, Steven Hawking nunca ganó un Premio Nobel. Para evaluar la importancia de las declaraciones negativas generadas, se ordenan según varios parámetros, por ejemplo, su frecuencia en un grupo de pares.

Los investigadores ven los sistemas de recomendación como los que se utilizan en las tiendas en línea o los sitios de viajes como un posible campo de aplicación: “Si reserva un hotel en línea o compra un teléfono móvil, nuestro enfoque puede comparar productos relacionados y mostrar las diferencias. Por ejemplo, el hotel A no tiene ascensor o que célula B no tiene un conector para auriculares “, dice Simon Razniewski.” Es un enfoque mucho más conveniente e informativo que tener que restarlo. información de una larga lista de declaraciones positivas ”, añade. En el futuro, a su grupo de investigación le gustaría refinar el enfoque para generar declaraciones negativas más matizadas e identificar declaraciones negativas ocultas.