Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Le projet est un développement suivi du projet Asialog déjà été développé et utilisé par les enseignants et Chercheurs de LSHS (Historiens, laboratoire CERHIO), de l'UFR SSI et de l'ENSIBS (LABORATOIRES IRISA, Imam et Lab-STICC). Cet article propose l'ajout de nouvelles fonctionnalités pour visualiser les données des journaux de navires trajectoire est tiré de musée indien de la compagnie à Port-Louis. Cette application a été développée avec un script php et javascript syntaxe et l'utilisation des cartes numériques à partir d'un serveur web libre OpenStreetMap nommé comme données vectorielles géographiques. Longitude et la latitude de données MySQL initialement traités par une requête, puis les données sont interprétées sur des cartes numériques OpenStreetMap, puis monté sur une couche de carte numérique appelé OpenLayers et finalement affichées par le navigateur sous la forme de trajectoire. Trajectoire peut être animé visualiser dynamiquement le déplacement d'un point à un autre. Trajectoire outre, cette fonction permet d'afficher d'autres informations telles que: (i) la direction du vent; (ii) l'endroit où l'application est utilisée; (iii) le nom du bateau; et d'autres informations. Toutes ces fonctions sont affichées sous la forme d'une interface graphique simple et attrayant.

---

ABSTRACT
The project is a continually development of the project Asialog, previously that has been developed and used by the lecturers and researchers of LSHS (historian laboratory of CERHIO), Faculty of SSI and ENSIBS (IRISA laboratory), as well as external partners such as the Museum of India Company of Port-Louis. This paper proposes the addition of new features to visualize of trajectory ship log, those data is taken from the company's Indian Museum in Port Louis. This application was developed with php script and javascript syntax and use digital maps from a free web server named OpenStreetMap as geographic vector data. Longitude and Latitude data from MySQL initially processed through a query, then the data is interpreted on digital maps OpenStreetMap, then mounted on a digital map layer called OpenLayers and finally displayed by the browser in the form of trajectory. Trajectory can be animated dynamically visualized the movement of one point to another point. Trajectory addition, this feature can display some other information such as: (i) wind direction; (ii) the location where the application is being used; (iii) the name of the boat; and other information. All these features are displayed in the form of a simple and attractive GUI.

Abstrak :
Performa sistem tanya jawab berbasis Knowledge Graph (KGQA) sangat dipengaruhi oleh dua tugas, yaitu deteksi entitas dan penautan entitas dan relasi. Daftar entitas dan relasi yang dihasilkan oleh tugas ini akan digunakan oleh konstruktor kueri untuk memperoleh data yang benar dari Knowledge Graph (KG). Telah ada beberapa penelitian terkait kedua tugas ini. Namun, pada kedua tugas ini masih terdapat beberapa isu. Terdapat tiga isu utama pada tugas deteksi entitas. Pertama, tidak semua entitas yang ada di dalam pertanyaan digunakan di dalam kueri. Kedua, sebuah pertanyaan menggunakan entitas, tetapi tidak dikenali oleh Named Entity Recognizer (NER), dan ketiga adalah tidak diketahuinya posisi entitas di dalam Triple. Untuk mengatasi isu pada tugas deteksi entitas ini penulis mengusulkan sebuah pendekatan pola berbasis posisi. Pendekatan ini memanfaatkan pola dari sebuah pertanyaan untuk memprediksi di mana posisi entitas berada di dalam Triple. Sementara itu, pada tugas penautan entitas dan relasi, terdapat dua isu utama yaitu isu kesenjangan leksikal dan ambiguitas entitas. Untuk mengatasi isu-isu tersebut, penulis mengusulkan sebuah pendekatan penautan entitas dan relasi dengan menggunakan konsep pencarian bertahap. Dalam pendekatan ini, prediksi relasi dilakukan sebelum penautan entitas. Selanjutnya, penautan entitas dilakukan secara bertahap dimulai dengan pencarian berbasis teks sampai dengan pencarian berbasis vektor. Hasil evaluasi menunjukkan bahwa pendekatan pola berbasis posisi untuk deteksi entitas memperoleh nilai akurasi lebih baik dari Falcon 2.0, yaitu sebesar 98,91% dan 89,52% pada SimpleQuestions dan LC-QuAD 2.0. Pendekatan pencarian bertahap untuk penautan entitas dan relasi juga menunjukkan akurasi yang lebih baik dari Falcon 2.0. Masing-masing 89,87% dan 74,83% pada SimpleQuestions dan LC-QuAD 2.0 untuk penautan entitas dan 91,74% dan 61,96% pada SimpleQuestions dan LC-QuAD 2.0 untuk penautan relasi. ......The performance of knowledge graph question answering (KGQA) systems is significantly influenced by entity detection tasks and entity and relation linking tasks. The correct entities and relations output by the tasks is a must to retrieve the correct data from a KG. Some works have been proposed for the tasks. However, the tasks still have challenging issues. There are three main issues with the entity detection task. First, a question may contain an entity(s) that is/are not used in the query. Second, a question uses an unrecognizable entity(s) by Named Entity Recognizer (NER). The last one is where the position of an entity(s) is unknown in the Triple. To address the issues, we propose an approach called the position-based pattern. While the entity and relation linking task have two main issues, namely, lexical gap and entity ambiguity. To overcome the issues, we propose an approach to gradually link entities and relations. Our proposed approach predicts the relation(s) used by the question first and then gradually searches the proper entity(s) against the entity(s) of the KG by using text-based searching and vector-based searching approach. The position-based pattern outperforms the baselines on SimpleQuestions and LC-QuAD 2.0 datasets, namely 98.91% and 89.52% for SimpleQuestions and LC-QuAD 2.0, respectively. For the entity linking task, using a gradual searching approach reaches 89.87% and 74.83% for SimpleQuestions and LC-QuAD 2.0, respectively, on average. This approach outperforms the baseline for relation linking, namely, 91.74% and 61.96% for SimpleQuestions and Lc-QuAD 2.0, respectively.