Seminario: “KgSum: profilazione e classificazione automatica di Knowledge Graph” di Mario Cosenza

Abstract
I Knowledge Graph (KG) permettono di rappresentare entità e relazioni in forma di grafo, facilitando l’organizzazione di dati complessi e collegati tra loro. La loro caratterizzazione manuale, però, è un processo oneroso e poco scalabile. In questo seminario presento KgSum, un progetto per automatizzare l’estrazione dei temi principali e la creazione di profili descrittivi di KG a partire da endpoint SPARQL e dump RDF. Il dataset è stato costruito raccogliendo Knowledge Graph da fonti come LOD Cloud, Zenodo e GitHub, ed estraendo da essi informazioni quali vocabolari, classi, proprietà ed etichette. Per la classificazione sono stati sperimentati sia algoritmi di machine learning tradizionali sia approcci più recenti, tra cui autoencoder e l’adattamento del modello Mistral 7B tramite QLoRA. L’applicazione, dotata di interfaccia web sviluppata in Next.js e distribuita con Docker, è stata valutata su dataset reali raggiungendo fino al 79% di accuratezza; nella presentazione verranno inoltre discusse le principali limitazioni e prospettive di sviluppo future.