Texto a Grafo de Conocimiento Causal: Un Marco para Sintetizar Conocimiento a partir de Textos Empresariales No Estructurados en Grafos Causales
Autores: Gopalakrishnan, Seethalakshmi; Chen, Victor Zitian; Dou, Wenwen; Hahn-Powell, Gus; Nedunuri, Sreekar; Zadrozny, Wlodek
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Texto a Grafo de Conocimiento Causal: Un Marco para Sintetizar Conocimiento a partir de Textos Empresariales No Estructurados en Grafos Causales
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Sistema de última generación
Declaraciones causales
Informes de empresas
Gráfico causal dirigido
Beneficios del grupo de interesados
Gráfico de conocimiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Este artículo presenta un sistema de vanguardia para extraer y sintetizar declaraciones causales de informes de empresas en un gráfico causal dirigido. La información extraída se organiza según su relevancia para los beneficios de diferentes grupos de interés (clientes, empleados, inversores y la comunidad/medio ambiente). El método presentado para sintetizar los datos extraídos en un gráfico de conocimiento comprende un marco que puede ser utilizado para tareas similares en otros dominios, por ejemplo, información médica. El trabajo actual aborda el problema de encontrar, organizar y sintetizar una visión de las relaciones de causa y efecto basadas en datos textuales con el fin de informar e incluso prescribir las mejores acciones que pueden afectar los resultados comerciales objetivo relacionados con los beneficios para diferentes partes interesadas (clientes, empleados, inversores y la comunidad/medio ambiente).
Descripción
Este artículo presenta un sistema de vanguardia para extraer y sintetizar declaraciones causales de informes de empresas en un gráfico causal dirigido. La información extraída se organiza según su relevancia para los beneficios de diferentes grupos de interés (clientes, empleados, inversores y la comunidad/medio ambiente). El método presentado para sintetizar los datos extraídos en un gráfico de conocimiento comprende un marco que puede ser utilizado para tareas similares en otros dominios, por ejemplo, información médica. El trabajo actual aborda el problema de encontrar, organizar y sintetizar una visión de las relaciones de causa y efecto basadas en datos textuales con el fin de informar e incluso prescribir las mejores acciones que pueden afectar los resultados comerciales objetivo relacionados con los beneficios para diferentes partes interesadas (clientes, empleados, inversores y la comunidad/medio ambiente).